[論文レビュー] Regularizing Solutions to the MEG Inverse Problem Using Space-Time Separable Covariance Functions

Arno Solin, Pasi Jylänki+4 more|arXiv (Cornell University)|Apr 17, 2016

Gaussian Processes and Bayesian Inference参考文献 66被引用数 5

ひとこと要約

本稿では、ガウス過程フレームワーク内での空間–時間分離型共分散関数を用いた正則化により、マグノエンセファログラフィー（MEG）のベイジアン源再構成手法を提案する。共分散におけるクリロネッカー構造を活用することで、計算効率が 𝒪(t³ + n³ + m²n) に達し、古典的手法（MNE や LORETA など）を一般化するとともに時間的ダイナミクスを組み込んだ、高精度な空間的・時間的正則化逆問題解を得られる。

ABSTRACT

In magnetoencephalography (MEG) the conventional approach to source reconstruction is to solve the underdetermined inverse problem independently over time and space. Here we present how the conventional approach can be extended by regularizing the solution in space and time by a Gaussian process (Gaussian random field) model. Assuming a separable covariance function in space and time, the computational complexity of the proposed model becomes (without any further assumptions or restrictions) $\mathcal{O}(t^3 + n^3 + m^2n)$, where $t$ is the number of time steps, $m$ is the number of sources, and $n$ is the number of sensors. We apply the method to both simulated and empirical data, and demonstrate the efficiency and generality of our Bayesian source reconstruction approach which subsumes various classical approaches in the literature.

研究の動機と目的

• 標準的な空間的または時間的独立性の仮定を超えた、空間的・時間的事前分布を組み込むことで、MEG 逆問題の不適切な定式化を解消すること。
• 空間的および時間的正則化を同時に効率的に行うベイジアンフレームワークを構築し、分離型共分散関数を用いること。
• MNE や LORETA、ビームフォーミングなどの古典的手法を、統一的かつ確率的ガウス過程モデル内で統合・一般化すること。
• 構造的事前分布を用いて空間的滑らかさと時間的ダイナミクスを併用することで、高精度な源再構成を実現すること。

提案手法

• 神経活動の振幅を、空間–時間分離型共分散関数を持つガウス過程としてモデル化し、全共分散行列を空間的および時間的成分に分解する。
• 結合共分散行列にクリロネッカー積構造を適用し、空間的および時間的共分散行列の固有値分解を用いて計算を効率化する。
• ベクトル化された行列演算とクリロネッカー積の混合積性質を用いて、事後平均を計算し、計算負荷を 𝒪(t³ + n³ + m²n) に低減する。
• 空間的滑らかさ（空間的 GP による）と時間的ダイナミクス（時間的 GP による）を組み合わせた事前分布を用い、ハイパーパrameter をデータから学習する。
• ベイジアン推論を用いて解を導出し、事後平均をセンサー観測値の重み付き線形結合（空間的・時間的カーネル行列による重み付け）として計算する。
• 空間的および時間的共分散関数の異なる形式を選択することで、多様な正則化を実現可能とする。

実験結果

リサーチクエスチョン

• RQ1 空間的および時間的事前分布を計算的に効率的に統合できる統一的ベイジアンフレームワークを構築できるか？
• RQ2 空間–時間分離型共分散関数の使用は、独立した空間的または時間的正則化と比較して、局所化精度と時間的忠実性をどのように向上させるか？
• RQ3 この手法は、MNE や LORETA、ビームフォーミングといった古典的手法をどの程度一般化または包含できるか？
• RQ4 提案手法の計算複雑度は何か？また、高時間的・空間的分解能を持つ実際の MEG データセットにスケーラブルか？

主な発見

• 提案手法は 𝒪(t³ + n³ + m²n) の計算複雑度を達成し、追加の近似を要せず、大規模 MEG データセットにおける効率的推論を可能にする。
• 古典的手法の一般化に成功：空間的および時間的共分散関数の特定の選択により、MNE や LORETA が特別なケースとして導かれる。
• シミュレーションデータ上での評価では、滑らかでない源時系列（スパースな源時系列）の両方を正確に再構成でき、従来手法に比べて局所化精度が向上した。
• 実 MEG データを用いた実証結果では、周期的および一時的な神経活動といった生理的に妥当な時間的ダイナミクスを、空間分解能を向上させながら捉えることができた。
• 分離型共分散関数の使用により、空間的・時間的依存性を完全にモデル化しつつも、計算の tractability を維持でき、全共分散行列の逆行列計算を回避できた。