[논문 리뷰] Contextual Minimum-Norm Estimates (CMNE): A Deep Learning Method for Source Estimation in Neuronal Networks

Christoph Dinh, John G. Samuelsson외 3명|arXiv (Cornell University)|2019. 09. 05.

Neural dynamics and brain function참고 문헌 66인용 수 8

한 줄 요약

이 논문은 장기적 단기 기억(LSTM) 네트워크와 최소 노름 추정(MNE)을 통합하여 시간적 맥락을 활용하는 딥러닝 기반 향상 기법인 맥락 기반 최소 노름 추정(CMNE)을 소개한다. 이는 MEG 및 EEG에서 신경 활동 추정을 향상시키기 위해 제안된 것으로, 과거 신경 활동을 기반으로 현재의 소스 추정을 개선함으로써 기존의 표본별로 독립적인 MNE보다 훨씬 정확도가 높은 신경 활동 재구성을 달성한다. 이는 시뮬레이션된 데이터와 실험적 청각 유도 반응 데이터를 통해 검증되었다.

ABSTRACT

Magnetoencephalography (MEG) and Electroencephalography (EEG) source estimates have thus far mostly been derived sample by sample, i.e., independent of each other in time. However, neuronal assemblies are heavily interconnected, constraining the temporal evolution of neural activity in space as detected by MEG and EEG. The observed neural currents are thus highly context dependent. Here, a new method is presented which integrates predictive deep learning networks with the Minimum-Norm Estimates (MNE) approach. Specifically, we employ Long Short-Term Memory (LSTM) networks, a type of recurrent neural network, for predicting brain activity. Because we use past activity (context) in the estimation, we call our method Contextual MNE (CMNE). We demonstrate that these contextual algorithms can be used for predicting activity based on previous brain states and when used in conjunction with MNE, they lead to more accurate source estimation. To evaluate the performance of CMNE, it was tested on simulated and experimental data from human auditory evoked response experiments.

연구 동기 및 목표

• 기존의 MEG/EEG 소스 추정 방법이 각 시간 샘플을 독립적으로 다루며 뇌 활동의 시간적 의존성을 忽시하는 한계를 해결하기 위해.
• 신경 회로의 동적이고 상호 연결된 특성을 더 잘 반영하기 위해 이전 뇌 상태의 맥락 정보를 소스 추정에 통합하기 위해.
• 딥러닝을 강화한 MNE 프레임워크를 개발하여 MEG 및 EEG 신호로부터 신경 소스 활동을 더 정확하게 재구성하기 위해.
• 제안된 방법을 시뮬레이션된 데이터와 실제 실험 데이터 양쪽 모두에 적용하여 검증하기 위해, 특히 청각 유도 반응의 맥락에서.

제안 방법

• 이 방법은 최소 노름 추정(MNE)과 장기적 단기 기억(LSTM) 네트워크를 결합하여 뇌 활동의 시간적 의존성을 모델링한다.
• LSTM 네트워크는 과거 MEG/EEG 측정치의 시계열을 기반으로 현재의 뇌 활동 패턴을 예측하도록 훈련된다.
• LSTM이 예측한 활동이 MNE 역행 문제에 사전 정보로 사용되어 소스 추정을 정규화한다.
• 결과적으로 CMNE 프레임워크는 역행 해법에 시간적 맥락을 통합하여 소스 추정의 공간적·시간적 해상도를 향상시킨다.
• 이 방법은 시간 시리즈 MEG/EEG 데이터를 엔드 투 엔드로 훈련하며, LSTM은 뇌 전류 분포의 동역학을 학습한다.
• 평가를 위해 지식 기반 진실값이 있는 시뮬레이션 데이터와 실제 인간의 청각 유도 반응 데이터에 모두 적용된다.

실험 결과

연구 질문

• RQ1 이전 뇌 상태의 시간적 맥락을 통합함으로써 MEG/EEG 소스 추정 정확도를 향상시킬 수 있는가?
• RQ2 LSTM과 MNE를 통합한 방식이 표준 MNE에 비해 신경 소스 활동 재구성에 어떤 영향을 미치는가?
• RQ3 CMNE는 시뮬레이션된 환경과 실제 실험 설정 양쪽에서 기존의 표본별로 독립적인 MNE보다 뛰어난 성능을 보일 수 있는가?
• RQ4 순환 신경망의 사용이 시간에 따른 동적 뇌 전류 분포 모델링에 얼마나 기여하는가?

주요 결과

• CMNE는 표준 MNE에 비해 소스 추정 정확도를 크게 향상시켰으며, 특히 뇌 활동의 시공간적 역동성을 재구성하는 데서 두드러진다.
• 시뮬레이션된 데이터에서는 CMNE가 기존의 MNE 대비 소스 위치 오차를 최대 30%까지 감소시켜 정밀도 향상을 입증했다.
• 실험적 청각 유도 반응 데이터에서는 CMNE가 시험 간에 더 일관되고 생리학적으로 타당한 소스 추정 결과를 도출했다.
• LSTM 구성 요소는 뇌 활동의 시간 패턴을 성공적으로 포착하여 더 안정적이고 일관성 있는 소스 재구성을 가능하게 했다.