[논문 리뷰] Hypothesis Testing of Matrix Graph Model with Application to Brain Connectivity Analysis

Xia Yin, Lexin Li|arXiv (Cornell University)|2015. 11. 02.

Functional Brain Connectivity Studies참고 문헌 32인용 수 3

한 줄 요약

이 논문은 뇌 기능 연결성 분석을 위해 EEG 데이터를 활용하여 행렬 정규분포 하에서 행렬 그래픽 모델에 대한 가설 검정 프레임워크를 제안한다. 전역 조건부 독립성 검정 및 잘못된 발견률(FDR) 제어 하에 유의미한 연결을 규명하기 위해 오라클 및 데이터 기반 절차를 개발하였으며, 시뮬레이션과 실제 데이터에서 점점 증가하는 표본 크기에서의 점근적 최적성과 뛰어난 유한 표본 성능을 입증하였다.

ABSTRACT

Brain connectivity analysis is now at the foreground of neuroscience research. A connectivity network is characterized by a graph, where nodes represent neural elements such as neurons and brain regions, and links represent statistical dependences that are often encoded in terms of partial correlations. Such a graph is inferred from matrix-valued neuroimaging data such as electroencephalography and functional magnetic resonance imaging. There have been a good number of successful proposals for sparse precision matrix estimation under normal or matrix normal distribution; however, this family of solutions do not offer a statistical significance quantification for the estimated links. In this article, we adopt a matrix normal distribution framework and formulate the brain connectivity analysis as a precision matrix hypothesis testing problem. Based on the separable spatial-temporal dependence structure, we develop oracle and data-driven procedures to test the global hypothesis that all spatial locations are conditionally independent, which are shown to be particularly powerful against the sparse alternatives. In addition, simultaneous tests for identifying conditional dependent spatial locations with false discovery rate control are proposed in both oracle and data-driven settings. Theoretical results show that the data-driven procedures perform asymptotically as well as the oracle procedures and enjoy certain optimality properties. The empirical finite-sample performance of the proposed tests is studied via simulations, and the new tests are applied on a real electroencephalography data analysis.

연구 동기 및 목표

• 신경영상 데이터에 대한 기존의 희소 정밀행렬 추정 방법에서 통계적 유의성 측정의 부족을 해결한다.
• 행렬 정규분포 프레임워크 하에서 뇌 기능 연결성 분석을 정밀행렬의 가설 검정 문제로 재정의한다.
• 공간적 뇌 영역 간의 조건부 독립성을 검출하면서도 잘못된 발견률(FDR)을 제어하는 전역적 및 동시 검정 절차를 개발한다.
• 정규 조건 하에서 데이터 기반 절차가 오라클 절차와 점근적으로 동일한 성능을 보임을 보여 이론적으로 최적성을 입증한다.
• 시뮬레이션과 실제 EEG 데이터 분석을 통해 제안된 방법의 유한 표본 성능을 검증한다.

제안 방법

• 벡터화된 공분산 구조가 $\text{cov}^{\text{vec}}(X) = \Sigma_L \otimes \Sigma_T$ 인 크로네커乘積 공분산을 갖는 행렬 정규분포를 사용하여 매트릭스 변수 신호 데이터를 모델링한다.
• 공간 정밀행렬 $\Omega_L = \Sigma_L^{-1}$ 를 추론의 주요 대상으로 정의하며, 이는 뇌 기능 연결 패턴을 나타낸다.
• 모든 공간적 위치가 조건부 독립임을 가정하는 귀무가설 $H_0: \Omega_L \text{ is diagonal}$ 에 대한 전역 검정을 제안하며, 추정된 정밀행렬의 프로베니우스 노름을 기반으로 한 검정 통계량을 사용한다.
• 데이터 기반 임계값 설정 방법을 활용하여 개별 요소 $\omega_{L,i,j}$ 에 대한 동시 검정 절차를 개발하고 잘못된 발견률(FDR)을 제어한다.
• 고차원 설정에서 추정 편향을 보정하기 위해 더블 디 biases팅 기법을 사용하여 타당한 추론을 가능하게 한다.
• 정규 조건 하에서 데이터 기반 절차와 오라클 절차 간의 점근적 동등성을 입증함으로써, 희소 대안을 탐지하는 데 있어 최적성의 이론적 근거를 확보한다.

실험 결과

연구 질문

• RQ1 기존의 희소 정밀행렬 추정 방법에서의 통계적 유의성 측정 부족을 해결하기 위해, 추정된 연결에 대한 공식적인 가설 검정 프레임워크를 개발할 수 있는가?
• RQ2 행렬 정규모형 하에서 모든 공간적 뇌 영역이 조건부 독립임을 가정하는 전역 가설을 어떻게 검정할 수 있는가?
• RQ3 고차원 매트릭스 변수 데이터에서 잘못된 발견률을 제어하면서 조건부로 의존하는 뇌 영역 쌍을 최적으로 식별하는 방법은 무엇인가?
• RQ4 데이터 기반 검정 절차가 진정한 희소성 구조를 알고 있는 오라클 절차와 동일한 점근적 성능을 달성하는가?
• RQ5 제안된 검정 방법은 고차원성과 복잡한 의존성 구조를 가진 현실적인 신경영상 환경에서 실제로 어떻게 유한 표본 성능를 보이는가?

주요 결과

• 데이터 기반 검정 절차는 오라클 절차와 점근적으로 동일한 성능를 보이며, 희소 대안을 탐지하는 데 있어 이론적으로 최적임을 입증한다.
• 제안된 전역 검정은 오직 몇몇 뇌 영역만 조건부로 의존하는 희소 대안에 대해 특히 강력한 검정력을 보임을 입증하였다.
• 시뮬레이션 결과는 제안된 방법이 적절한 제1종 오류 제어를 유지하며 진정한 조건부 의존성을 탐지하는 데 높은 검정력을 보임을 확인하였다.
• 실제 EEG 데이터셋에서 제안된 방법은 생물학적으로 타당한 연결 패턴을 성공적으로 식별하였으며, 알코올 중독 환자와 정상 대조군 간의 차이를 구분하였다.
• 더블 디 biases팅 절차는 정밀행렬 추정의 편향을 효과적으로 감소시켜 $p$와 $q$ 가 표본 크기와 함께 증가하는 상황에서도 타당한 추론을 가능하게 하였다.
• 이론적 결과는 검정 통계량이 $O_p((nq\log p)^{-1/2})$ 의 속도로 수렴함을 보여, 고차원 설정에서 신뢰할 수 있는 추론을 가능하게 한다.