[논문 리뷰] Interaction patterns of brain activity across space, time and frequency. Part I: methods

Roberto D. Pascual‐Marqui, Rolando J. Biscay-Lirio|arXiv (Cornell University)|2011. 03. 15.

Functional Brain Connectivity Studies참고 문헌 11인용 수 13

한 줄 요약

이 논문은 여러 시간 지연 및 주파수에서 뇌 활동의 시공간 기능적 연결 패턴을 식별하기 위한 기능적 데이터 분석 프레임워크를 제안한다. 각 주체의 데이터를 벡터화하고 연결하여 고차원 행렬로 변환한 후, 특이값 분해(SVD)와 독립성 성분 분석(ICA)을 적용하여 잠재적 기능적 네트워크를 밝혀내어, 기존 ICA 접근 방식을 초월한 동적이고 주파수 특이적인 뇌 상호작용을 탐지할 수 있다.

ABSTRACT

We consider exploratory methods for the discovery of cortical functional connectivity. Typically, data for the i-th subject (i=1...NS) is represented as an NVxNT matrix Xi, corresponding to brain activity sampled at NT moments in time from NV cortical voxels. A widely used method of analysis first concatenates all subjects along the temporal dimension, and then performs an independent component analysis (ICA) for estimating the common cortical patterns of functional connectivity. There exist many other interesting variations of this technique, as reviewed in [Calhoun et al. 2009 Neuroimage 45: S163-172]. We present methods for the more general problem of discovering functional connectivity occurring at all possible time lags. For this purpose, brain activity is viewed as a function of space and time, which allows the use of the relatively new techniques of functional data analysis [Ramsay & Silverman 2005: Functional data analysis. New York: Springer]. In essence, our method first vectorizes the data from each subject, which constitutes the natural discrete representation of a function of several variables, followed by concatenation of all subjects. The singular value decomposition (SVD), as well as the ICA of this new matrix of dimension [rows=(NT*NV); columns=NS] will reveal spatio-temporal patterns of connectivity. As a further example, in the case of EEG neuroimaging, Xi of size NVxNW may represent spectral density for electric neuronal activity at NW discrete frequencies from NV cortical voxels, from the i-th EEG epoch. In this case our functional data analysis approach would reveal coupling of brain regions at possibly different frequencies.

연구 동기 및 목표

• 모든 가능한 시간 지연을 고려한 뇌 활동의 기능적 연결을 식별하기 위한 일반화된 방법을 개발하는 것.
• 지속적인 시공간 기능 함수를 고려한 기능적 데이터 분석 기법을 통합하여 전통적인 ICA 기반 연결 분석을 확장하는 것.
• 뇌 활동을 공간, 시간, 주파수의 함수로 모델링하여 주파수 특이적 결합 패턴을 탐지할 수 있도록 하는 것.
• EEG 스펙트럼 밀도와 fMRI 시간 시리즈를 포함한 다양한 신경영상 모odalities에 적용 가능한 통합 프레임워크를 제공하는 것.
• 신경생리학적 데이터의 전체 시간적 및 주파수적 구조를 유지함으로써 잠재적 기능적 네트워크 탐지 능력을 향상시키는 것.

제안 방법

• 각 주체의 뇌 활동을 크기 NV × NT(보크셀 × 시간 포인트)인 행렬로 표현하고, 이를 길이 NT × NV인 단일 행 벡터로 벡터화한다.
• 모든 주체의 벡터화된 데이터를 연결하여 크기 (NT × NV) × NS인 큰 행렬로 구성한다. 여기서 NS는 주체 수이다.
• 이 연결된 행렬에 대해 특이값 분해(SVD)를 적용하여 변동성의 주요 시공간 패턴을 추출한다.
• 그 후 동일한 행렬에 대해 독립성 성분 분석(ICA)을 수행하여 통계적으로 독립적인 기능적 네트워크를 식별한다.
• 주파수 대역에 따른 활동을 주파수, 시간, 공간의 함수로 간주함으로써, EEG 파wer 스펙트럼과 같은 스펙트럼 데이터로의 접근을 확장한다.
• 이 프레임워크는 영향을 주는 시간 지연 및 주파수 대역에 관계없이 기능적 연결 패턴을 식별할 수 있으며, 영향이 없는 경우나 고정된 주파수 창에 국한되지 않는다.

실험 결과

연구 질문

• RQ1 신경영상 데이터에서 가능한 모든 시간 지연에 걸쳐 기능적 연결을 어떻게 모델링할 수 있는가?
• RQ2 주파수 대역에 따라 변화하는 뇌 네트워크 상호작용을 탐지할 수 있는 방법은 무엇인가?
• RQ3 기능적 데이터 분석 기법이 다중 주체 신경영상 데이터의 시공간 패턴 탐지에 어떻게 기여할 수 있는가?
• RQ4 주체 데이터의 벡터화 및 연결이 어떻게 동적 연결 패턴을 유지하고 드러내는가?
• RQ5 복잡한 시간적 및 주파수적 구조를 가진 뇌 활동을 분석할 때, 이 프레임워크는 표준 ICA에 비해 어떤 이점을 제공하는가?

주요 결과

• 제안된 방법은 표준 ICA의 영향이 없는 가정을 따를 경우 탐지할 수 없는 시공간 기능적 연결 패턴을 성공적으로 드러낸다.
• 연결된 벡터화된 데이터에 SVD와 ICA를 적용함으로써, 시간에 따라 뇌 영역 간의 조율된 활동을 반영하는 잠재적 기능적 네트워크가 드러난다.
• 프레임워크는 EEG 스펙트럼 데이터에서 주파수 특이적 결합을 탐지할 수 있으며, 다양한 주파수에서 뇌 영역 간의 상호작용을 드러낸다.
• 뇌 활동을 공간, 시간, 주파수의 함수로 모델링함으로써, 정적 또는 영향이 없는 연결을 초월한 동적 상호작용을 포착할 수 있다.
• 이 방법은 fMRI와 EEG를 포함한 다양한 신경영상 모달리티에 적용 가능한 통합 분석 프레임워크를 제공하여, 복잡한 네트워크 역학에 대한 민감도를 향상시킨다.