[論文レビュー] Modeling Brain Connectivity with Graphical Models on Frequency Domain

Xu Gao, Weining Shen+4 more|arXiv (Cornell University)|Oct 8, 2018

Blind Source Separation Techniques参考文献 19被引用数 4

ひとこと要約

本稿は、周波数ドメインにおけるEEGデータを用いた脳機能結合解析のためのコプーラ・ガウス graphical モデルフレームワークを提案する。Lasso正則化付きの罰則付き尤度を用いてスパースな精度行列を推定する。この手法は皮質領域間の振動的依存関係を効果的に捉え、シミュレーションおよび実際のEEGデータから、神経生物学的文献と整合するロバストでスパースな結合パターンが得られた。

ABSTRACT

Multichannel electroencephalograms (EEGs) have been widely used to study cortical connectivity during acquisition of motor skills. In this paper, we introduce copula Gaussian graphical models on spectral domain to characterize dependence in oscillatory activity between channels. To obtain a simple and robust representation of brain connectivity that can explain the most variation in the observed signals, we propose a framework based on maximizing penalized likelihood with Lasso regularization to search for the sparse precision matrix. To address the optimization problem, graphical Lasso, Ledoit-Wolf and sparse estimation of a covariance matrix (SPCOV) algorithms were modified and implemented. Simulations show the benefit of using the proposed algorithms in terms of robustness and small estimation errors. Furthermore, analysis of the EEG data in a motor skill task conducted using algorithms of modified graphical LASSO and Ledoit-Wolf, reveal a sparse pattern of brain connectivity among cortices which is consistent with the results from other work in the literature.

研究の動機と目的

• 非ガウス分布の振動的活動を考慮した統計的フレームワークを用いて、多チャンネルEEGデータから脳結合をモデル化すること。
• 高次元的でノイズの多いEEGデータの課題に対処するため、顕著な機能的結合を強調するスパースな精度行列を推定すること。
• グラフィカル・ラッソ、レドリット＝ウルフ、SPCOVといった改良版最適化アルゴリズムを検討し、脳結合推定のためのロバストで効率的な手法を確立すること。
• 提示されたフレームワークを、シミュレーションデータおよび運動スキルタスクからの実際のEEG記録に対して検証し、手法の信頼性を確保すること。

提案手法

• 非ガウス分布のEEG信号を、依存構造を保持しつつ多変量正規分布を仮定できる潜在ガウス空間に変換するため、コプーラ・ガウスグラフィカルモデルを適用する。
• 皮質チャネル間の周波数領域表現を用いて、スペクトルパワーおよび位相関係に注目し、振動的活動を分析する。
• 精度行列にLasso正則化を施した罰則付き対数尤度の目的関数を採用し、スパarsityを強制し、過学習を低減する。
• 高次元的でサンプルサイズが小さい状況下におけるスパース共分散推定のために、グラフィカル・ラッソ、レドリット＝ウルフ、SPCOVの3つの最適化アルゴリズムを適合・改変する。
• コプーラ変換における逆累積分布関数の推定に、経験的累積分布関数（ECDF）を用い、非ガウス分布データの処理を可能にする。
• 反復的シャーピングおよびソフトスレッショーディング技術を用いて最適化問題を解き、スパースで安定した精度行列推定値への収束を保証する。

実験結果

リサーチクエスチョン

• RQ1 コプーラ・ガウスグラフィカルモデルは、周波数ドメインにおける非ガウス分布のEEG信号を効果的にモデル化し、脳結合を推定できるか？
• RQ2 Lasso正則化付きグラフィカルモデルは、従来の手法と比較してEEGデータからスパースでロバストな脳結合行列を推定する上で優れているか？
• RQ3 改良版グラフィカル・ラッソ、レドリット＝ウルフ、SPCOVアルゴリズムの推定精度および計算効率は、シミュレーションおよび実際のEEGデータにおいてどのように評価できるか？
• RQ4 提示された手法は、運動タスク中の既知の機能的ネットワークと整合する生物学的に妥当な結合パターンを回復できるか？

主な発見

• シミュレーションにおいて、改良版グラフィカル・ラッソとレドリット＝ウルフは、SPCOVと比較して有意に低い平均二乗誤差（2.72×10⁻⁵ および 5.17×10⁻⁵）とエントロピー損失（0.232 および 0.180）を達成した（SPCOV：8.20×10⁻⁵ および 0.700）。
• ランダムモデルおよびクライクスモデルの両方において、グラフィカル・ラッソとレドリット＝ウルフはSPCOVよりも高い精度とロバスト性を示し、推定誤差が低く、真の結合構造の保持も良好であった。
• 実行時間において、レドリット＝ウルフは、ランダムモデルで平均0.007秒と、グラフィカル・ラッソ（0.400秒）およびSPCOV（0.152秒）に比べて著しく高速であり、計算効率に優れたことが示された。
• 実際のEEGデータ解析から、皮質領域間でスパースで生物学的に妥当な結合パターンが得られ、4つの明確な機能的クラスタが強く相互に関連していることが明らかになった。
• 両手法（グラフィカル・ラッソおよびレドリット＝ウルフ）の推定された結合行列は、シミュレーションにおいて真の構造と非常に近い結果を示し、可視化では真値と高い一致を示した。
• 実データからの結果は、先行研究と整合的であり、運動タスク中の機能的脳ネットワークがスパースで領域特異的な結合を示すという事実を裏付け、本手法の生物学的妥当性を検証した。