[논문 리뷰] GP CaKe: Effective brain connectivity with causal kernels

Luca Ambrogioni, Max Hinne외 2명|arXiv (Cornell University)|2017. 05. 16.

Functional Brain Connectivity Studies인용 수 4

한 줄 요약

GP CaKe는 비모수적 베이지안 프레임워크를 제안하며, 스토케스틱 적분미분 방정식과 가우시안 프로세스 회귀를 통해 학습된 인과 커널을 사용하여 효과적 뇌 연결성을 모델링한다. 새로운 공분산 함수를 통해 인과성, 시간적 스무딩, 국소화를 강제함으로써, 다변량 자기상관모형보다 높은 정확도를 달성하고, MEG 데이터에서 상태에 따라 달라지는 연결 패턴을 드러낸다.

ABSTRACT

A fundamental goal in network neuroscience is to understand how activity in one region drives activity elsewhere, a process referred to as effective connectivity. Here we propose to model this causal interaction using integro-differential equations and causal kernels that allow for a rich analysis of effective connectivity. The approach combines the tractability and flexibility of autoregressive modeling with the biophysical interpretability of dynamic causal modeling. The causal kernels are learned nonparametrically using Gaussian process regression, yielding an efficient framework for causal inference. We construct a novel class of causal covariance functions that enforce the desired properties of the causal kernels, an approach which we call GP CaKe. By construction, the model and its hyperparameters have biophysical meaning and are therefore easily interpretable. We demonstrate the efficacy of GP CaKe on a number of simulations and give an example of a realistic application on magnetoencephalography (MEG) data.

연구 동기 및 목표

• 효과적 연결성 추정에서 통계적 자기상관 모형과 생물물리학적으로 해석 가능한 동적 인과 모델링(DCM) 간 격차를 메우기 위해.
• 고정된 매개변수 형태를 가정하지 않고 인과 상호작용 커널을 학습하는 비모수적 방법을 개발하기 위해.
• 새로운 공분산 함수의 클래스를 통해 추정된 연결성 커널에 인과성, 시간적 스무딩, 국소화를 보장하기 위해.
• 연결성 커널에 대해 닫힌 형태의 사후 분포를 제공하여 변분 근사가 필요 없이 효율적인 베이지안 추론을 가능하게 하기 위해.
• 시뮬레이션 데이터와 실제 MEG 기록에서 방법을 검증하여, 인지 상태에 따라 변화하는 연결성 변화를 탐지할 수 있는 능력을 입증하기 위해.

제안 방법

• 내재된 역학을 위한 선형 미분 연산자를 사용하는 스토케스틱 적분미분 방정식을 사용하여 뉴런 집단 활동을 모델링한다.
• 시간 지연이 음수인 경우에만 0이 되도록 제약을 두어 인과성을 확보하는 인과 컨볼루션 커널을 통해 집단 간 효과적 연결성을 표현한다.
• 시간적 국소화, 스무딩, 인과성을 사전 제약 조건으로 포함하는 새로운 인과 공분산 함수의 가족을 도입한다.
• 가우시안 프로세스 회귀를 적용하여 닫힌 형태로 인과 커널의 사후 분포를 비모수적으로 학습한다.
• 생물물리학적으로 해석 가능한 공동 추정을 가능하게 하기 위해 연결성 커널과 모델 하이퍼파rameter를 함께 추정하는 계층적 베이지안 모델을 사용한다.
• 시간 스무딩, 이동, 국소화 파rameter를 사용하여 커널 추정을 정규화하고 노이즈에 대한 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 비모수적 베이지안 방법이 표준 다변량 자기상관 모형보다 효과적 연결성 추정에서 더 높은 정확도를 달성할 수 있는가?
• RQ2 가우시안 프로세스 회귀를 사용하여 인과성 및 시간적 스무딩과 같은 생물학적으로 타당한 제약 조건을 강제하면서도 닫힌 형태로 인과 커널을 학습할 수 있는가?
• RQ3 이 방법은 실제 MEG 데이터에서 의미 있는 상태 의존적 연결성 변화를 탐지할 수 있는가?
• RQ4 추정된 인과 커널은 진동 및 전도 지연와 같은 알려진 신경생리학적 역학을 어떻게 반영하는가?
• RQ5 향후 작업에서 구조적 연결성 또는 비선형 역학을 통합하기 위해 이 프레임워크를 확장할 수 있는가?

주요 결과

• 시뮬레이션 연구에서 GP CaKe는 정규화된 다변량 자기상관 모형보다 효과적 연결성 추정에서 수개월 정도의 정확도 향상을 달성한다.
• 이 방법은 MEG 데이터에서 청각 주의 상태 동안 후두엽에서 두개엽으로 향하는 알파 대역 영향력이 억제되는 등 다양한 인지 상태 간에 구분 가능한 효과적 연결성 패턴을 성공적으로 식별한다.
• 청각 피질과 후두엽 피질 간의 연결은 주로 휴식 상태에서 두드러지며, 이는 상태 의존적 기능적 구조를 나타낸다.
• 추정된 인과 커널은 명확한 시간적 구조를 보이며, 전도 지연 및 진동 역학과 대응하는 피크를 나타내어 생물물리학적으로 타당한 상호작용을 반영한다.
• 닫힌 형태의 사후 추론은 계산적으로 비용이 많이 드는 근사가 필요 없이 효율적이고 강건한 추정을 가능하게 한다.
• 이 프레임워크는 강력한 해석 가능성을 보이며, 모델 하이퍼파rameter와 커널이 진동 역학의 피크 주파수 및 감쇠와 같이 직접적인 생물물리학적 의미를 지닌다.