[논문 리뷰] Learning the Morphology of Brain Signals Using Alpha-Stable Convolutional Sparse Coding

Mainak Jas, Tom Dupré la Tour외 2명|arXiv (Cornell University)|2017. 05. 22.

Functional Brain Connectivity Studies인용 수 31

한 줄 요약

이 논문은 원시적이고 잡음이 섞인 데이터에서 이동 불변 신경 신호 원자들을 학습하기 위해 α-안정 분포를 사용하는 확률적 컨volution 스퍼스 코딩 모델인 α-CSC를 제안한다. 무거운 尾 비용 모델링과 몬테카를로 기반 기대최대화(Monte Carlo EM) 추론 알고리즘을 활용하여, α-CSC는 돌연성 잡음과 잡음에 대한 뛰어난 내성 확보를 통해, 심지어 심각한 오염 조건에서도 복잡한 신경 현상(예: 주파수 간 상관관계)을 복원하는 데 있어 최첨단 기법들을 능가한다.

ABSTRACT

Neural time-series data contain a wide variety of prototypical signal waveforms (atoms) that are of significant importance in clinical and cognitive research. One of the goals for analyzing such data is hence to extract such 'shift-invariant' atoms. Even though some success has been reported with existing algorithms, they are limited in applicability due to their heuristic nature. Moreover, they are often vulnerable to artifacts and impulsive noise, which are typically present in raw neural recordings. In this study, we address these issues and propose a novel probabilistic convolutional sparse coding (CSC) model for learning shift-invariant atoms from raw neural signals containing potentially severe artifacts. In the core of our model, which we call $\\alpha$CSC, lies a family of heavy-tailed distributions called $\\alpha$-stable distributions. We develop a novel, computationally efficient Monte Carlo expectation-maximization algorithm for inference. The maximization step boils down to a weighted CSC problem, for which we develop a computationally efficient optimization algorithm. Our results show that the proposed algorithm achieves state-of-the-art convergence speeds. Besides, $\\alpha$CSC is significantly more robust to artifacts when compared to three competing algorithms: it can extract spike bursts, oscillations, and even reveal more subtle phenomena such as cross-frequency coupling when applied to noisy neural time series.

연구 동기 및 목표

• 히우리적 설계와 돌연성 잡음에 대한 민감성으로 인해 기존의 딕셔너리 학습 방법이 복잡하고 이동 불변 신경 신호 파형을 포착하는 데에 한계를 가짐을 해결하기 위해.
• 기본 컨볼루션 스퍼스 코딩(CSC)에서의 가우시안 잡음 가정을 제한적으로 만들기 위해, 신경 신호 잡음의 특성을 두꺼운 尾 비용을 가진 α-안정 분포로 모델링함으로써.
• 수동적 잡음 제거나 템플릿 초기화에 의존하지 않고도 강건한 신경 신호 원자 학습을 가능하게 하는 원칙적인 확률적 CSC 프레임워크를 개발하기 위해.
• 기존 방법이 실패하는 실재의 잡음이 많은 신경 기록에서, 예를 들어 주파수 간 상관관계와 같은 미세한 신경 현상을 발견할 수 있도록 하기 위해.

제안 방법

• 신경 신호의 잡음을 두꺼운 尾 비용을 가진 α-안정 분포로 모델링하는 확률적 컨볼루션 스퍼스 코딩(CSC) 모델을 수립함으로써, 돌연성 잡음에 더 적합한 비가우시안 잡음 특성을 반영한다.
• E단계는 확률적 샘플링을 사용하고, M단계는 가중치가 부여된 CSC 문제를 해결하는 몬테카를로 기대최대화(Monte Carlo EM, MCEM) 알고리즘을 개발한다.
• M단계에서 잠재 변수의 사후 분포로부터 유도된 가중치를 사용하는 가중치가 부여된 CSC 부분 문제를 도입함으로써, 비가우시안 잡음 조건 하에서도 강건한 추정이 가능해진다.
• quasi-Newton 방법을 사용한 효율적인 최적화 전략을 설계하여, ADMM 기반 접근법보다 더 빠른 수렴 속도를 달성한다.
• 신호의 물리적 현실(예: 충격 전위)을 반영하기 위해 활성화 계수에 양수 제약 조건을 도입한다.
• 실제 신경 데이터에서 가장자리 효과와 기저선 이동을 줄이기 위해, 타이퍼드 코시윈도우와 고역통과 필터링을 사전 처리 단계로 도입한다.

실험 결과

연구 질문

• RQ1 α-안정 분포를 기반으로 한 확률적 CSC 모델은 돌연성 잡음과 잡음이 섞인 상황에서도 신경 신호 원자 학습의 내성 향상에 기여하는가?
• RQ2 α-CSC는 표준 CSC 및 기타 최첨단 알고리즘과 비교하여 실재의 잡음이 많은 기록에서 원형 신호 파형을 얼마나 잘 복원하는가?
• RQ3 α-CSC는 원시적이고 청소되지 않은 신경 기록에서, 예를 들어 주파수 간 상관관계와 같은 미세한 신경 현상을 어느 정도 드러낼 수 있는가?
• RQ4 α-CSC에서 두꺼운 尾 비용 잡음 모델링은 데이터 오염 수준이 증가함에 따라 가우시안 기반 모델에 비해 더 안정적이고 정확한 원자 복원을 이끌어내는가?
• RQ5 α-CSC는 수동적 잡음 제거나 템플릿 초기화 없이도 의미 있는 신호 원자를 학습할 수 있는가?

주요 결과

• α-CSC는 병렬 처리 없이도 ADMM 기반 알고리즘을 능가하는 최첨단 수준의 수렴 속도를 달성한다.
• 20%의 오염된 시도가 포함된 시뮬레이션 데이터에서, α-CSC는 정확한 원자를 성공적으로 복원하지만, 표준 CSC는 수렴하지 못하거나 열악한 재구성 결과를 낳는다.
• 잡음이 없는 LFP 데이터에서, α-CSC(α=2일 경우 표준 CSC로 축소됨)는 사전 지식이나 템플릿 초기화 없이도 [8]에서 얻은 스파ike 유사 원자와 유사한 결과를 도출한다.
• 강한 잡음이 존재하는 실재 LFP 데이터셋에서, 표준 CSC는 청소되지 않은 데이터에 적용되었을 때 의미 있는 원자를 회복하지 못하지만, α=1.2로 설정된 α-CSC는 80 Hz 진동수의 파형과 3 Hz 리듬에 의해 조절되는 캐논리컬 파형을 성공적으로 회복한다.
• α-CSC에서 복원된 원자로부터 계산된 공조도그램은 주파수 간 상관관계의 존재를 확인하며, 이는 본 방법이 생물학적으로 의미 있는 현상을 드러내는 능력을 지닌다는 것을 입증한다.
• α-CSC는 다양한 수준의 오염 조건에서도 강건한 성능 유지를 보이며, 표준 CSC 성능을 떨어뜨리는 일시적 잡음에 대해 뚜렷한 내성성을 보인다.