[논문 리뷰] Resting state brain networks from EEG: Hidden Markov states vs. classical microstates

Tammo Rukat, Adam Baker외 2명|arXiv (Cornell University)|2016. 06. 07.

Neural dynamics and brain function참고 문헌 14인용 수 9

한 줄 요약

이 연구는 휴식 상태 뇌 네트워크를 규명하기 위해 전통적인 뇌파 마이크로스테이트 분석의 모델 기반 대안으로 은닉 마르코프 모델(HMM)을 제안한다. EEG 파wr 엔벨롭 동역학을 모델링함으로써 HMM은 100–150ms 수명을 가지는 준안정적인 지형도를 드러내며, 마이크로스테이트와 유사하지만, 특히 상태 시간 곡선 간 상관관계가 없거나 음수인 비슷한 시간 역학을 보이며, 이는 HMM이 전통적인 마이크로스테이트보다 더 생리학적으로 타당한 네트워크 역학을 포착할 수 있음을 시사한다.

ABSTRACT

Functional brain networks exhibit dynamics on the sub-second temporal scale and are often assumed to embody the physiological substrate of cognitive processes. Here we analyse the temporal and spatial dynamics of these states, as measured by EEG, with a hidden Markov model and compare this approach to classical EEG microstate analysis. We find dominating state lifetimes of 100--150\,ms for both approaches. The state topographies show obvious similarities. However, they also feature distinct spatial and especially temporal properties. These differences may carry physiological meaningful information originating from patterns in the data that the HMM is able to integrate while the microstate analysis is not. This hypothesis is supported by a consistently high pairwise correlation of the temporal evolution of EEG microstates which is not observed for the HMM states and which seems unlikely to be a good description of the underlying physiology. However, further investigation is required to determine the robustness and the functional and clinical relevance of EEG HMM states in comparison to EEG microstates.

연구 동기 및 목표

• 은닉 마르코프 모델(HMM)이 휴식 상태 뇌 네트워크를 특성화하기 위해 전통적인 EEG 마이크로스테이트 분석보다 더 생리학적으로 타당한 대안이 될 수 있는지 평가하기.
• 휴식 상태 EEG에서 HMM 유도 상태의 공간적 및 시간적 역학을 전통적인 마이크로스테이트 분석의 결과와 비교하기.
• 마이크로스테이트 시간 곡선에서 관찰된 강한 이변량 상관관계가 진정한 생리학적 역학을 반영하는지, 아니면 방법론적 한계에 기인하는지 조사하기.
• 특히 상태 수명, 지형도, 시간 상관관계 구조 측면에서 HMM 상태의 강인성과 기능적 관련성을 마이크로스테이트와 비교 평가하기.

제안 방법

• 은닉 마르코프 모델에 고정된 관측 모델을 적용하여 센서 공간에서 EEG 신호의 파wr 엔벨롭을 분석함으로써 잠재적인 준안정적인 뇌 네트워크 상태를 추론한다.
• 정확한 추론을 가능하게 하기 위해 변분 베이즈를 사용하여 HMM의 모수 및 상태 시간 곡선을 근사적으로 추정한다.
• 전통적인 마이크로스테이트 분석은 전역 필드 파wr(GFP) 최댓값을 식별하고, k-means 군집화를 적용하여 지형도를 추출한 후, GFP 피크에서만 전환된다는 가정 하에 상태 시간 곡선을 유도한다.
• 두 방법의 상태 시간 곡선을 다양한 시간 창 너비에서 가장 대표적인 EEG 센서의 엔벨롭과 상관계석 분석하여 비교한다.
• 모델 적합도 평가 및 HMM 상태 수의 최적화를 위해 자유 에너지 기준을 사용하지만, 테스트 범위 내에서 명확한 최소값은 관찰되지 않는다.
• HMM과 마이크로스테이트 접근법 간 상태 시간 곡선 간 시간 상관관계 구조를 정량화하고 비교함으로써 생리학적 타당성을 평가한다.

실험 결과

연구 질문

• RQ1 HMM 유도 뇌 상태는 전통적인 EEG 마이크로스테이트와 유사한 공간적 지형도와 시간 역학을 보여주는가?
• RQ2 마이크로스테이트 시간 곡선에서 관찰된 강한 이변량 시간 상관관계는 생리학적으로 의미 있는가, 아니면 방법론적 한계에 기인한 것인가?
• RQ3 HMM 상태는 마이크로스테이트보다 더 생물학적으로 타당한 시간 역학을 보이며, 예를 들어 상관관계가 없거나 음수인 상태 전이를 보이는가?
• RQ4 HMM에 대한 최적의 상태 수는 무엇이며, 모델 적합도(자유 에너지)는 상태 수 증가에 따라 어떻게 변화하는가?
• RQ5 HMM 상태는 이전에 마이크로스테이트에 대해 보고된 바와 같이 EEG 데이터의 장기적 시간 의존성(LRD)을 포착하는가?

주요 결과

• HMM과 마이크로스테이트 모두 100–150ms의 주요 상태 수명을 보이며, 문헌에서 보고된 바와 일치한다.
• HMM 상태의 공간적 지형도는 전통적인 마이크로스테이트와 뚜렷한 유사성을 보이며, 해당 상태들 간 부분적인 일치가 관찰된다.
• 마이크로스테이트 시간 곡선은 항상 높은 이변량 상관관계(>0.6)를 보이며, 이는 강한 시간적 겹침을 시사하지만, 이는 진정한 생리학적 역학을 반영하지 않을 수 있다.
• 반면 HMM 상태 시간 곡선은 일관된 양의 상관관계를 보이지 않으며, 일부 쌍은 -0.5까지 음수 상관관계를 보이며 더 명확한 시간적 역학을 나타낸다.
• 두 방법 모두 상태 시간 곡선과 EEG 센서 엔벨롭 간 상관계수가 100–150ms 창 너비에서 최고로 나타나며, 이는 변동의 공통된 시간 척도를 시사한다.
• 자유 에너지로 측정된 HMM 모델 적합도는 상태 수 증가에 따라 계속 감소하며, 이는 테스트 범위 내에서 명확한 최적 수가 없음을 시사한다. 이는 주로 피험자별 상태의 발생에 기인할 가능성이 높다.