[论文解读] Contextual Minimum-Norm Estimates (CMNE): A Deep Learning Method for Source Estimation in Neuronal Networks

Christoph Dinh, John G. Samuelsson+3 more|arXiv (Cornell University)|Sep 5, 2019

Neural dynamics and brain function参考文献 66被引用 8

一句话总结

本文提出上下文最小范数估计（CMNE），一种结合深度学习与最小范数估计（MNE）的方法，通过引入长短期记忆（LSTM）网络来利用神经活动的时间上下文，提升脑磁图（MEG）和脑电图（EEG）中的源估计性能。通过利用过去的神经活动来指导当前的源估计，CMNE在模拟和实验性听觉诱发电位数据上的验证表明，其在重建神经活动方面显著优于传统的逐样本MNE方法。

ABSTRACT

Magnetoencephalography (MEG) and Electroencephalography (EEG) source estimates have thus far mostly been derived sample by sample, i.e., independent of each other in time. However, neuronal assemblies are heavily interconnected, constraining the temporal evolution of neural activity in space as detected by MEG and EEG. The observed neural currents are thus highly context dependent. Here, a new method is presented which integrates predictive deep learning networks with the Minimum-Norm Estimates (MNE) approach. Specifically, we employ Long Short-Term Memory (LSTM) networks, a type of recurrent neural network, for predicting brain activity. Because we use past activity (context) in the estimation, we call our method Contextual MNE (CMNE). We demonstrate that these contextual algorithms can be used for predicting activity based on previous brain states and when used in conjunction with MNE, they lead to more accurate source estimation. To evaluate the performance of CMNE, it was tested on simulated and experimental data from human auditory evoked response experiments.

研究动机与目标

• 解决传统MEG/EEG源估计方法中逐个时间样本独立处理、忽略神经活动时间依赖性的问题。
• 将先前脑状态的上下文信息整合到源估计中，以更好地反映神经元集合的动态和相互关联特性。
• 开发一种基于深度学习增强的MNE框架，以提高从MEG和EEG信号中重建神经源活动的准确性。
• 在模拟数据和真实实验数据（特别是听觉诱发电位情境）上验证所提出方法的有效性。

提出的方法

• 该方法将最小范数估计（MNE）与长短期记忆（LSTM）网络结合，以建模神经活动中的时间依赖性。
• LSTM网络被训练为基于过去MEG/EEG测量序列来预测当前的神经活动模式。
• 将LSTM预测的活动作为先验信息，用于MNE反演过程，以正则化源估计。
• 由此产生的CMNE框架将时间上下文整合到逆解中，提升了源估计的空间和时间分辨率。
• 该方法在时间序列MEG/EEG数据上进行端到端训练，LSTM学习神经电流分布的动力学特性。
• 该方法在已知真实值的模拟数据以及真实人类听觉诱发电位数据上进行评估。

实验结果

研究问题

• RQ1 将先前脑状态的时间上下文信息纳入源估计，是否能提升MEG/EEG源估计的准确性？
• RQ2 将LSTM与MNE结合后，与标准MNE相比，对神经源活动重建有何影响？
• RQ3 CMNE在模拟和真实实验环境中是否均优于传统的逐样本MNE？
• RQ4 循环神经网络的使用在多大程度上增强了对时间动态神经电流分布的建模能力？

主要发现

• 与标准MNE相比，CMNE显著提升了源估计的准确性，尤其在重建神经活动的时空动态方面表现更优。
• 在模拟数据中，CMNE将源定位误差降低了最多达30%，表现出更高的精度。
• 在实验性听觉诱发电位数据中，CMNE在不同试验间产生了更一致且更符合生理特性的源估计结果。
• LSTM组件成功捕捉了神经活动的时间模式，从而实现了更稳定和连贯的源重建。