[논문 리뷰] Multivariate Convolutional Sparse Coding for Electromagnetic Brain Signals

Tom Dupré la Tour, Thomas Moreau외 2명|arXiv (Cornell University)|2018. 05. 24.

Neural dynamics and brain function인용 수 31

한 줄 요약

이 논문은 MEG 및 EEG 데이터에서 시공간 패턴을 학습하기 위해 질량-1 제약 조건을 부여한 다변량 컨volution 스퍼스 코딩(CSC) 프레임워크를 제안한다. 이는 비정현파 형태의 파형과 그 뇌 영역 위치를 동시에 복원할 수 있도록 한다. 저소음비 조건 하에서 단변량 CSC보다 패턴 복원 성능이 뛰어나며, 체감운동 피질에 국한된 비정현파 무-리듬을 드러낸다.

ABSTRACT

Frequency-specific patterns of neural activity are traditionally interpreted as sustained rhythmic oscillations, and related to cognitive mechanisms such as attention, high level visual processing or motor control. While alpha waves (8-12 Hz) are known to closely resemble short sinusoids, and thus are revealed by Fourier analysis or wavelet transforms, there is an evolving debate that electromagnetic neural signals are composed of more complex waveforms that cannot be analyzed by linear filters and traditional signal representations. In this paper, we propose to learn dedicated representations of such recordings using a multivariate convolutional sparse coding (CSC) algorithm. Applied to electroencephalography (EEG) or magnetoencephalography (MEG) data, this method is able to learn not only prototypical temporal waveforms, but also associated spatial patterns so their origin can be localized in the brain. Our algorithm is based on alternated minimization and a greedy coordinate descent solver that leads to state-of-the-art running time on long time series. To demonstrate the implications of this method, we apply it to MEG data and show that it is able to recover biological artifacts. More remarkably, our approach also reveals the presence of non-sinusoidal mu-shaped patterns, along with their topographic maps related to the somatosensory cortex.

연구 동기 및 목표

• 비정현파이자 일시적인 신경 파형을 포괄하지 못하는 푸리에 및 웨이블릿 기반 분석의 한계를 해결하기 위해.
• 시간 파형과 신경 원천의 공간 분포를 동시에 학습하는 스케일러블한 다변량 CSC 모델을 개발하기 위해.
• 센서 어레이를 통해 전기자극 활동이 즉각적으로 퍼지는 것을 모델링하기 위해 원소에 질량-1 제약 조건을 통합하기 위해.
• 학습된 공간 패턴을 기반으로 등가 전류 다이폴 모형을 적합시켜 뇌 내 신경 원천을 정확히 국소화하기 위해.
• 장기간에 걸친 고채널 수의 MEG/EEG 기록에서 최신 기술 수준의 계산 효율성을 달성하기 위해.

제안 방법

• 원소에 질량-1 제약 조건을 적용한 다변량 CSC를 제안하여 채널 간 신경 활동의 즉각적 전파를 반영한다.
• 효율적인 최적화를 위해 국소적으로 탐욕적인 좌표 강하(LGCD) 솔버를 사용하는 교차 최소화 방법을 적용한다.
• 대규모 문제에서 기울기 계산을 가속화하기 위해 사전 계산 기법을 활용한다.
• 신호를 학습된 원소와 활성도 맵의 컨볼루션으로 표현하여 이동 불변 패턴 탐색을 가능하게 한다.
• 다중 채널 MEG 데이터에 모델을 적용하여 시간적 파형과 공간적 원천 맵을 동시에 복원한다.
• 학습된 공간 패턴에 등가 전류 다이폴을 적합시켜 뇌 내 신경 원천을 국소화한다.

실험 결과

연구 질문

• RQ1 저소음비 조건에서 질량-1 원소를 갖는 다변량 CSC 모델이 단변량 CSC보다 비정현파 신경 파형을 더 잘 복원할 수 있는가?
• RQ2 학습된 원소의 공간 패턴을 기반으로 신경 활동의 원천을 정확히 국소화할 수 있는가?
• RQ3 다변량 질량-1 모델이 단변량 또는 전순위 다변량 모델에 비해 패턴 복원 성능을 향상시키는가?
• RQ4 형태학적 특징을 기반으로 유사 주파수의 뇌 리듬(예: 무-리듬과 알파-리듬)을 구분할 수 있는가?
• RQ5 채널 수와 신호 길이 증가에 따라 제안된 알고리즘의 계산 효율성은 어떻게 변화하는가?

주요 결과

• 다변량 질량-1 CSC 모델은 저소음비 조건에서 특히 두드러지게 진짜 시간적 파형을 단변량 CSC보다 더 잘 복원한다.
• 이 방법은 18 Hz에서 고조파를 갖는 비정현파 무-리듬을 성공적으로 복원하여, 이가 별개의 베타-리듬이 아니라 고조파임을 확인한다.
• 복원된 무-리듬 원소의 공간 패턴은 주 체감운동 피질(S1)에 국한되며, 다이폴 적합에서 59.3%의 적합도를 보였다.
• 알고리즘은 최신 기술 수준의 실행 시간을 달성하였으며, 채널 수에 대해 비선형적으로 스케일링되며, 204채널 MEG 데이터에서도 성능이 유지된다.
• 질량-1 제약 조건은 겹치는 패턴 간의 혼동을 줄여 단변량 모델 대비 패턴 분리의 모호성을 감소시킨다.
• 실증적 평가 결과, 다수의 채널을 사용할수록 고소음 수준에서도 복원 성능이 크게 향상됨을 확인하였다.