[論文レビュー] Source Separation and Higher-Order Causal Analysis of MEG and EEG

Kun Zhang, Aapo Hyvärinen|arXiv (Cornell University)|Mar 15, 2012

Blind Source Separation Techniques参考文献 17被引用数 7

ひとこと要約

本稿では、時間変動する自己回帰的分散（エンベロープ）と多次元GARCHモデルを活用して、高次依存性を解明することで、MEG/EEGデータにおける自動的源分離と因果的結合解析のための二層構造モデルを提案する。この手法は、有効結合パターンを特定し、実際のMEGデータにおいて、負のグループ間影響を示す機能的グループ化された源と、主要な接続源を明らかにする。

ABSTRACT

Separation of the sources and analysis of their connectivity have been an important topic in EEG/MEG analysis. To solve this problem in an automatic manner, we propose a two-layer model, in which the sources are conditionally uncorrelated from each other, but not independent; the dependence is caused by the causality in their time-varying variances (envelopes). The model is identified in two steps. We first propose a new source separation technique which takes into account the autocorrelations (which may be time-varying) and time-varying variances of the sources. The causality in the envelopes is then discovered by exploiting a special kind of multivariate GARCH (generalized autoregressive conditional heteroscedasticity) model. The resulting causal diagram gives the effective connectivity between the separated sources; in our experimental results on MEG data, sources with similar functions are grouped together, with negative influences between groups, and the groups are connected via some interesting sources.

研究の動機と目的

• MEGおよびEEGデータにおける自動的源分離と有効結合解析の課題に対処すること。
• 二次モーメント統計では捉えきれない源間の依存関係をモデル化し、源分散の高次時系列的ダイナミクスに焦点を当てる。
• 源の時間変動するエンベロープ構造を通じて、源間の因果的関係を同定すること。
• 神経画像信号から機能的脳ネットワーク組織を明らかにするための非教師あり、データ駆動型手法を提供すること。
• 非ガウス的で時間変動する高次依存性を組み込むことで、従来のICAおよび二次モーメント手法を改善すること。

提案手法

• 源の自己相関と時間変動する分散の両方を考慮する新規な源分離手法を導入する。
• 源の時間変動する分散（エンベロープ）を多次元GARCHフレームワークでモデル化し、動的条件付き異分散性を捉える。
• 源が条件付きに非相関であるが、エンベロープダイナミクスを通じて依存していると仮定し、高次因果構造の検出を可能にする。
• 多次元GARCHモデルを用いてエンベロープ過程間の相互依存性を分析することで、因果関係を同定する。
• 得られた因果図を用いて、分離された源間の有効結合を推論する。
• 二段階で手法を適用する：まず源分離を行い、次に分離された源のエンベロープダイナミクスから因果的発見を行う。

実験結果

リサーチクエスチョン

• RQ1 MEG/EEGデータにおける源は、時間変動する分散と自己相関を考慮してどのように分離可能か？
• RQ2 二次相関を超えた源間には、どのような高次統計的依存性が存在するか？
• RQ3 時間変動するエンベロープダイナミクスは神経活動の因果的関係を明らかにできるか？
• RQ4 機能的脳ネットワークは、源エンベロープ変動の因果構造からどのように生じるか？
• RQ5 二層構造モデルは、原理的かつ非教師ありの方法で源を効果的に分離し、それらの有効結合を推論できるか？

主な発見

• 提案手法は、非ガウス的で時間変動する分散ダイナミクスを捉えることができ、MEG源の分離に成功した。
• 多次元GARCHモデルは、エンベロープ過程を通じて源間の因果的関係を効果的に同定した。
• 実際のMEGデータにおいて、類似した機能的役割を果たす源が因果ネットワーク内でグループ化された。
• 機能的グループ化された源クラスタ間で負の影響が観察され、抑制的相互作用を示唆した。
• 異なる機能的グループを接続する主要な「ハブ」源が同定され、領域間通信における中心的役割を示した。
• 従来の二次モーメント手法に比べ、高次統計的依存性に隠れた結合パターンを明らかにできたため、本手法は優れている。