[논문 리뷰] Neural Connectivity with Hidden Gaussian Graphical State-Model

Deirel Paz-Linares, Eduardo Gonzalez-Moreira외 4명|arXiv (Cornell University)|2018. 01. 01.

Neural dynamics and brain function참고 문헌 89인용 수 6

한 줄 요약

이 논문은 MEG/EEG에서 비침습적 신경 연결성 추정을 향상시키기 위해 희소 연결성 사전정보를 갖춘 주파수 도메인 선형 상태공간 모델인 숨겨진 가우시안 그래픽 상태모델(HIGGS)을 소개한다. 체내 도선 효과로 인한 신호 유출을 줄이기 위해 시스템 이론과 베이지안 정보이론을 통합함으로써, 인간의 SSVEP 데이터에서 정확한 연결성 복원을 입증하고, 영장류에서 동시 EEG/ECoG 검증을 수행한다.

ABSTRACT

The noninvasive procedures for neural connectivity are under questioning. Theoretical models sustain that the electromagnetic field registered at external sensors is elicited by currents at neural space. Nevertheless, what we observe at the sensor space is a superposition of projected fields, from the whole gray-matter. This is the reason for a major pitfall of noninvasive Electrophysiology methods: distorted reconstruction of neural activity and its connectivity or leakage. It has been proven that current methods produce incorrect connectomes. Somewhat related to the incorrect connectivity modelling, they disregard either Systems Theory and Bayesian Information Theory. We introduce a new formalism that attains for it, Hidden Gaussian Graphical State-Model (HIGGS). A neural Gaussian Graphical Model (GGM) hidden by the observation equation of Magneto-encephalographic (MEEG) signals. HIGGS is equivalent to a frequency domain Linear State Space Model (LSSM) but with sparse connectivity prior. The mathematical contribution here is the theory for high-dimensional and frequency-domain HIGGS solvers. We demonstrate that HIGGS can attenuate the leakage effect in the most critical case: the distortion EEG signal due to head volume conduction heterogeneities. Its application in EEG is illustrated with retrieved connectivity patterns from human Steady State Visual Evoked Potentials (SSVEP). We provide for the first time confirmatory evidence for noninvasive procedures of neural connectivity: concurrent EEG and Electrocorticography (ECoG) recordings on monkey. Open source packages are freely available online, to reproduce the results presented in this paper and to analyze external MEEG databases.

연구 동기 및 목표

• EEG/MEG에서 체내 도선 효과로 인한 신호 유출 문제를 해결하기 위해.
• 시스템 이론과 베이지안 정보이론을 신경 연결성 모델링에 통합하는 형식을 개발하기 위해.
• MEEG 데이터에서 희소 신경 연결성 추정을 위한 고차원 주파수 도메인 해법을 만들기 위해.
• 비인간 영장류에서 동시 EEG 및 ECoG 기록을 통해 방법을 검증하기 위해.
• 재현 가능성과 MEEG 데이터베이스 분석을 위한 오픈소스 도구를 제공하기 위해.

제안 방법

• HIGGS는 MEEG 관측 방정식 뒤에 숨겨진 가우시안 그래픽 모델(GGM)로 신경 활동을 모델링한다.
• 모델은 연결성 행렬에 희소성 유도 사전정보를 갖춘 주파수 도메인 선형 상태공간 모델(LSSM)로 공식화된다.
• 신호 유출을 줄이고 연결성 추정을 정규화하기 위해 베이지안 추론을 통합한다.
• 주파수 도메인에서 효율적으로 연결성을 추정하기 위해 고차원 해법이 개발된다.
• 헤드 체내 도선의 정방향 모델을 사용하여 신경 전류를 센서 공간에 투영한다.
• 연결성은 희소성과 관측된 MEEG 신호와의 일致성을 강제하는 제약 조건이 있는 최적화 문제를 풀어 추론된다.

실험 결과

연구 질문

• RQ1 희소 연결성 사전정보를 갖춘 주파수 도메인 상태공간 모델이 EEG/MEG 연결성 추정에서 유출을 줄일 수 있는가?
• RQ2 시스템 이론과 베이지안 정보이론을 통합하면 비침습적 신경 연결망의 정확도가 향상되는가?
• RQ3 HIGGS는 동일한 피험자에서 침습적으로 기록된 ECoG와 일치하는 연결성 패턴을 복원할 수 있는가?
• RQ4 복잡한 체내 도선 효과를 가진 실제 MEEG 데이터에 대해 제안된 고차원 해법이 효과적인가?
• RQ5 HIGGS는 안정된 시각 자극에 대한 반응 패턴(SSVEP)에서 신뢰할 수 있는 연결성 패턴을 생성할 수 있는가?

주요 결과

• HIGGS는 EEG 신호에서 체내 도선 비균일성으로 인한 유출 효과를 크게 감소시킨다.
• 영장류에서 동시 EEG 및 ECoG 기록을 통해 검증된 바에 따르면, 기존 방법보다 더 정확한 신경 연결망을 생성한다.
• 인간 SSVEP 데이터에서 주파수 도메인에서 신뢰할 수 있는 연결성 패턴 복원이 가능하다.
• 제안된 고차원 주파수 도메인 해법은 대규모 신경 시스템에서 희소 연결성의 효율적이고 안정적인 추정을 가능하게 한다.
• 동일한 비인간 영장류에서 ECoG 데이터와 직접 비교함으로써, 비침습적 신경 연결성에 대한 첫 번째 확인 증거를 제공한다.
• 재현 및 외부 MEEG 데이터셋 분석을 위한 오픈소스 구현체가 공개되어 있다.