[논문 리뷰] Regularizing Solutions to the MEG Inverse Problem Using Space-Time Separable Covariance Functions

Arno Solin, Pasi Jylänki외 4명|arXiv (Cornell University)|2016. 04. 17.

Gaussian Processes and Bayesian Inference참고 문헌 66인용 수 5

한 줄 요약

이 논문은 베이지안 소스 재구성 방법을 제안하며, 가우시안 프로세스 프레임워크 내에서 공간-시간 분리 가능 공분산 함수를 사용하여 해를 정규화한다. 공분산 내에 크로네커 구조를 활용함으로써, 𝒪(t³ + n³ + m²n)의 계산 효율성을 달성하여 정확하고 공간-시간으로 정규화된 역문제 해를 도출하며, 기존의 MNE 및 LORETA와 같은 접근 방식을 일반화하면서도 시간적 동역학을 통합한다.

ABSTRACT

In magnetoencephalography (MEG) the conventional approach to source reconstruction is to solve the underdetermined inverse problem independently over time and space. Here we present how the conventional approach can be extended by regularizing the solution in space and time by a Gaussian process (Gaussian random field) model. Assuming a separable covariance function in space and time, the computational complexity of the proposed model becomes (without any further assumptions or restrictions) $\mathcal{O}(t^3 + n^3 + m^2n)$, where $t$ is the number of time steps, $m$ is the number of sources, and $n$ is the number of sensors. We apply the method to both simulated and empirical data, and demonstrate the efficiency and generality of our Bayesian source reconstruction approach which subsumes various classical approaches in the literature.

연구 동기 및 목표

• 기존의 표준적인 공간적 또는 시간적 독립성 가정을 초월하여 공간-시간 우선 정보를 통합함으로써, MEG 역문제의 불안정성 문제를 해결한다.
• 공간과 시간에서 동시에 소스 추정을 정규화할 수 있는 계산 효율적인 베이지안 프레임워크를 개발한다.
• MNE, LORETA, 빔포밍과 같은 전통적 MEG 역문제 해법들을 단일 확률적 가우시안 프로세스 모델 내에서 통합하고 일반화한다.
• 구조화된 사전 분포를 통해 공간적 부드러움과 시간적 동역학을 동시에 활용하여 고해상도의 소스 재구성을 가능하게 한다.

제안 방법

• 신경 활동 강도를 공간-시간 분리 가능 공분산 함수를 가진 가우시안 프로세스로 모델링하며, 전체 공분산을 공간적 및 시간적 성분으로 분해한다.
• 공통 공분산에 크로네커 곱의 구조를 적용하여, 공간 및 시간 공분산 행렬의 고유값 분해를 통해 효율적인 계산을 구현한다.
• 벡터화된 행렬 연산과 크로네커 곱의 혼합 곱 성질을 활용하여 후행 평균을 계산함으로써, 계산 부담을 𝒪(t³ + n³ + m²n)으로 감소시킨다.
• 공간적 부드러움(공간적 GP를 통해)과 시간적 동역학(시간적 GP를 통해)을 조합한 사전 분포를 사용하며, 초모수는 데이터로부터 학습된다.
• 베이지안 추론을 통해 해를 도출하며, 후행 평균은 공간-시간 커널 행렬에 의해 가중된 센서 데이터의 선형 조합으로 계산된다.
• 다양한 형태의 공간 및 시간 공분산 함수를 선택함으로써 다양한 종류의 정규화를 지원한다.

실험 결과

연구 질문

• RQ1 공간과 시간 우선 정보를 효율적으로 통합하여 계산 비용이 저렴한 통합 베이지안 프레임워크를 개발할 수 있는가?
• RQ2 공간-시간 분리 가능 공분산 함수의 사용이, 공간적 또는 시간적 정규화를 별도로 적용하는 것보다 정위치 정확도와 시간적 정밀도를 어떻게 향상시키는가?
• RQ3 이 방법이 MNE, LORETA, 빔포밍과 같은 전통적 MEG 역문제 해법을 얼마나 잘 일반화하거나 포함할 수 있는가?
• RQ4 제안된 방법의 계산 복잡도는 얼마이며, 고공간-고시간 해상도를 가진 실제 MEG 데이터셋에 대해 확장 가능한가?

주요 결과

• 제안된 방법은 𝒪(t³ + n³ + m²n)의 계산 복잡도를 달성하여, 추가 근사 없이도 대규모 MEG 데이터셋에서 효율적인 추론을 가능하게 한다.
• 기존 방법을 일반화함: 특정한 공간 및 시간 공분산 함수의 선택을 통해 MNE 및 LORETA가 특수한 경우로 나타남.
• 모의 데이터에서 부드럽고 희박한 소스 시간 시리즈를 성공적으로 재구성하였으며, 기존 방법 대비 향상된 정위치 정확도를 보였다.
• 실제 MEG 데이터에 대한 실증 결과는, 진동 및 일시적 신경 활동과 같은 생리학적으로 타당한 시간적 동역학을 더 높은 공간 해상도로 포착함을 보여주었다.
• 분리 가능한 공분산 함수의 사용은 공간-시간 상관관계를 완전히 모델링하면서도 계산 가능성을 유지하며, 전체 공분산 역행렬 계산이 필요 없도록 한다.