[論文レビュー] Learning the Morphology of Brain Signals Using Alpha-Stable Convolutional Sparse Coding

Mainak Jas, Tom Dupré la Tour+2 more|arXiv (Cornell University)|May 22, 2017

Functional Brain Connectivity Studies被引用数 31

ひとこと要約

本稿では、α-安定分布を用いた確率的畳み込みスパースコーディング（α-CSC）モデルを提案する。このモデルは、ノイズやアーティファクトが混入した生のデータから、シフト不変な神経信号アトムを学習することを目的としている。重い尾を持つノイズモデル化とモンテカルロEM推論アルゴリズムを活用することで、インパルス性ノイズやアーティファクトに対して優れた耐性を示し、重度の汚染下でもクロス周波数結合のような複雑な神経現象を回復する点で、最先端の手法を上回る性能を発揮する。

ABSTRACT

Neural time-series data contain a wide variety of prototypical signal waveforms (atoms) that are of significant importance in clinical and cognitive research. One of the goals for analyzing such data is hence to extract such 'shift-invariant' atoms. Even though some success has been reported with existing algorithms, they are limited in applicability due to their heuristic nature. Moreover, they are often vulnerable to artifacts and impulsive noise, which are typically present in raw neural recordings. In this study, we address these issues and propose a novel probabilistic convolutional sparse coding (CSC) model for learning shift-invariant atoms from raw neural signals containing potentially severe artifacts. In the core of our model, which we call $\\alpha$CSC, lies a family of heavy-tailed distributions called $\\alpha$-stable distributions. We develop a novel, computationally efficient Monte Carlo expectation-maximization algorithm for inference. The maximization step boils down to a weighted CSC problem, for which we develop a computationally efficient optimization algorithm. Our results show that the proposed algorithm achieves state-of-the-art convergence speeds. Besides, $\\alpha$CSC is significantly more robust to artifacts when compared to three competing algorithms: it can extract spike bursts, oscillations, and even reveal more subtle phenomena such as cross-frequency coupling when applied to noisy neural time series.

研究の動機と目的

• ヒューリスティックな設計とインパルス性ノイズへの感受性により、従来の辞書学習手法が複雑でシフト不変な神経信号波形を捉えるのを制限している点を解決する。
• 標準的な畳み込みスパースコーディング（CSC）におけるガウスノイズ仮定の制限を克服し、神経信号のアーティファクトを重い尾を持つα-安定分布でモデル化する。
• 手動によるアーティファクト除去やテンプレート初期化に依存せずに、神経信号アトムのロバストな学習を可能にする、原理的で確率的なCSCフレームワークを構築する。
• 従来の手法が失敗するような、実際のノイズの多い神経記録においても、クロス周波数結合のような微細な神経現象を同定できるようにする。

提案手法

• 神経信号のノイズを重い尾を持つ分布としてモデル化する確率的畳み込みスパースコーディング（CSC）モデルを定式化し、インパルス性アーティファクトに適したα-安定分布を用いる。
• 推論にモンテカルロ期待最大化（MCEM）アルゴリズムを採用し、Eステップでは確率的サンプリング、Mステップでは重み付きCSC問題を解く。
• Mステップにおける重み付きCSCサブ問題を導入し、潜在変数の事後分布から得られる重みを用いることで、非ガウスノイズ下でもロバストな推定を可能にする。
• 準ニュートン法を用いた効率的な最適化戦略を設計し、ADMMベースの手法と比較してより高速な収束を達成する。
• アクティベーション係数に正の制約を導入することで、アクティビティポテンシャルなどの神経イベントの物理的現実を反映する。
• 前処理としてテーパードコサイン窓とハイパスフィルタリングを採用し、実際の神経データにおけるエッジ効果とベースラインドリフトを低減する。

実験結果

リサーチクエスチョン

• RQ1 α-安定分布に基づく確率的CSCモデルは、インパルス性ノイズやアーティファクトが存在する状況下でも、神経信号アトムの学習のロバスト性を向上させることができるか？
• RQ2 α-CSCは、ノイズの多い実世界の記録からプロトタイプ神経波形を回復する点で、標準CSCや他の最先端のアルゴリズムと比較してどのように優れているか？
• RQ3 α-CSCは、事前にクリーニングされていない生の神経データにおいて、クロス周波数結合のような微細な神経現象をどの程度明らかにできるか？
• RQ4 α-CSCにおける重い尾を持つノイズモデル化は、データ汚染度が上昇するに従い、ガウスベースのモデルと比較してより安定的かつ正確なアトム回復をもたらすか？
• RQ5 α-CSCは、手動によるアーティファクト除去やテンプレート初期化に依存せずに、意味のある信号アトムを学習できるか？

主な発見

• α-CSCは、並列処理を用いていなくても、ADMMベースの手法を上回る最先端の収束速度を達成する。
• 20%の試行が汚染された合成データにおいて、α-CSCは正しくアトムを回復するが、標準CSCは収束しないか、不良な再構成を生成する。
• アーティファクトのないLFPデータにおいて、α=2（標準CSCに還元）のα-CSCは、事前知識やテンプレート初期化なしに[8]と同等のスパイク様アトムを回復する。
• 強いアーティファクトを含む実際のLFPデータセットにおいて、標準CSCはクリーニングされていないデータに適用すると意味のあるアトムを回復できないが、α=1.2のα-CSCは、3 Hzリズムによって変調された80 Hzオシレーショングを含む標準的な波形を成功裏に回復する。
• α-CSCが回復したアトムから計算されたコモジュレーショングラムは、クロス周波数結合の存在を確認し、本手法が生物学的に意味のある現象を明らかにできることを示している。
• α-CSCは、汚染度の変動にかかわらず安定した性能を維持し、標準CSCの性能を著しく劣化させる一時的アーティファクトに対しても顕著な耐性を示す。