[论文解读] A Hierarchical Dirichlet Process Model with Multiple Levels of Clustering for Human EEG Seizure Modeling

Drausin Wulsin, Shane T. Jensen+1 more|arXiv (Cornell University)|Jun 18, 2012

Bayesian Methods and Mixture Models参考文献 8被引用 11

一句话总结

本文提出了一种新颖的多层级聚类模型——多层级聚类层次狄利克雷过程（MLC-HDP），用于同时对脑电图（iEEG）数据在电极通道、癫痫发作类型和患者类型之间进行聚类。该模型有效捕捉了多通道癫痫发作记录中的层次结构，并实现了与专家医生群体分组相当的聚类性能，标志着首个能够实现癫痫研究中患者内与患者间癫痫发作联合聚类的方法。

ABSTRACT

Driven by the multi-level structure of human intracranial electroencephalogram (iEEG) recordings of epileptic seizures, we introduce a new variant of a hierarchical Dirichlet Process---the multi-level clustering hierarchical Dirichlet Process (MLC-HDP)---that simultaneously clusters datasets on multiple levels. Our seizure dataset contains brain activity recorded in typically more than a hundred individual channels for each seizure of each patient. The MLC-HDP model clusters over channels-types, seizure-types, and patient-types simultaneously. We describe this model and its implementation in detail. We also present the results of a simulation study comparing the MLC-HDP to a similar model, the Nested Dirichlet Process and finally demonstrate the MLC-HDP's use in modeling seizures across multiple patients. We find the MLC-HDP's clustering to be comparable to independent human physician clusterings. To our knowledge, the MLC-HDP model is the first in the epilepsy literature capable of clustering seizures within and between patients.

研究动机与目标

• 解决在癫痫发作期间人类颅内脑电图（iEEG）记录中复杂多层级结构建模的挑战。
• 开发一种统计模型，能够同时在多个层级上对数据进行聚类：电极通道、癫痫发作类型和患者类型。
• 创建一种灵活的非参数贝叶斯模型，能够自适应地确定真实聚类数量，而无需预先指定聚类数。
• 实现对患者内部及跨患者的癫痫发作联合分析，从而改善癫痫发作的表征与分类。

提出的方法

• 提出多层级聚类层次狄利克雷过程（MLC-HDP），一种扩展标准层次狄利克雷过程（HDP）以支持多层级聚类的非参数贝叶斯模型。
• 采用分层结构对iEEG数据进行建模，其中每位患者的癫痫发作在发作类型层级上被聚类，同时在患者层级上对所有患者进行聚类。
• 使用嵌套的棒棒糖分割过程，允许在每一层级上存在未知且可能无限的聚类数量，从而实现无需预先假设聚类数的灵活聚类。
• 采用中国餐馆特许经营（CRF）隐喻来表示患者与癫痫发作之间的联合聚类，其中电极通道作为每个发作内的子聚类。
• 采用吉布斯采样算法进行后验推断，实现聚类分配与模型参数的高效计算。
• 通过模拟研究验证模型，将其与嵌套狄利克雷过程（NDP）进行比较，结果表明其在恢复真实聚类结构方面表现更优。

实验结果

研究问题

• RQ1 非参数贝叶斯模型是否能有效捕捉多通道iEEG记录中固有的多层级聚类结构？
• RQ2 在模拟数据中，MLC-HDP模型相较于嵌套狄利克雷过程（NDP）在恢复真实聚类结构方面的表现如何？
• RQ3 MLC-HDP模型对真实iEEG数据的聚类结果与专家医生对癫痫发作类型的分组在多大程度上一致？
• RQ4 该模型是否能够在不预先指定聚类数量的情况下，同时对多个层级（电极通道、癫痫发作类型、患者）进行聚类？
• RQ5 该模型在非参数、数据驱动的方式下，跨患者泛化并识别共性癫痫发作模式的能力如何？

主要发现

• MLC-HDP模型的聚类性能与独立专家医生的聚类结果相当，验证了其临床相关性与可解释性。
• 在模拟研究中，MLC-HDP在恢复真实聚类结构方面优于嵌套狄利克雷过程（NDP），尤其在复杂多层级数据配置下表现更优。
• 该模型成功识别出多位患者间有意义的癫痫发作聚类，揭示了通过单一层级分析无法察觉的iEEG活动共性模式。
• MLC-HDP有效处理了每一层级上未知的聚类数量，能够自适应地匹配数据结构，而无需人工调参或预先指定聚类数。
• 模型的分层结构使得患者特异性与跨患者癫痫发作模式的稳健识别成为可能，显著提升了个性化与群体水平癫痫发作分析的潜力。
• 通过吉布斯采样实现的模型实现方式，使后验推断计算高效，具备在大规模iEEG数据集上实际应用的可行性。