[论文解读] Dynamics and sparsity in latent threshold factor models: A study in multivariate EEG signal processing

Jouchi Nakajima, Mike West|arXiv (Cornell University)|Jun 27, 2016

Blind Source Separation Techniques参考文献 6被引用 7

一句话总结

该论文提出了一种动态潜在阈值因子模型，通过结合时变因子载荷与状态依赖性稀疏性，提升多变量EEG时间序列的可解释性与预测能力。基于具有结构化先验的贝叶斯MCMC框架，该方法自适应地识别因子载荷中的时变零模式，揭示脑活动中的动态滞后/领先关系，并在精神科EEG病例研究中得到强有力的实证验证。

ABSTRACT

We discuss Bayesian analysis of multivariate time series with dynamic factor models that exploit time-adaptive sparsity in model parametrizations via the latent threshold approach. One central focus is on the transfer responses of multiple interrelated series to underlying, dynamic latent factor processes. Structured priors on model hyper-parameters are key to the efficacy of dynamic latent thresholding, and MCMC-based computation enables model fitting and analysis. A detailed case study of electroencephalographic (EEG) data from experimental psychiatry highlights the use of latent threshold extensions of time-varying vector autoregressive and factor models. This study explores a class of dynamic transfer response factor models, extending prior Bayesian modeling of multiple EEG series and highlighting the practical utility of the latent thresholding concept in multivariate, non-stationary time series analysis.

研究动机与目标

• 通过将动态因子模型与潜在阈值法结合，对多变量EEG时间序列中的时变稀疏性进行建模。
• 通过动态稀疏性诱导简约性，提升非平稳、高维时间序列的可解释性与预测能力。
• 利用对超参数的结构化先验，分析EEG信号与潜在脑状态之间的动态转移响应。
• 评估潜在阈值法在捕捉EEG导联之间时变条件依赖关系方面的有效性。
• 提供一种可扩展的贝叶斯框架，用于具有稀疏、时变载荷的动态因子模型，采用MCMC推断。

提出的方法

• 采用具有潜在阈值过程的贝叶斯层次模型，以在因子载荷矩阵中诱导时变稀疏性。
• 使用状态空间模型表示时变因子载荷与TV-VAR分量，因子载荷动态采用AR(1)过程建模。
• 对依赖于底层AR(1)过程均值与方差的阈值超参数施加结构化先验。
• 采用吉布斯内梅特罗波利斯MCMC算法抽样潜在状态、阈值与超参数，并使用FFBS进行状态平滑。
• 采用条件共轭先验与逆Wishart分布对误差方差矩阵建模，实现高效的后验计算。
• 将MCMC方案扩展至处理TV-VAR分量中的时变VAR系数与潜在初始值。

实验结果

研究问题

• RQ1 如何有效建模因子载荷中的动态稀疏性，以反映多变量EEG数据中时变的条件依赖关系？
• RQ2 对阈值超参数施加结构化先验，对提升模型可识别性与收敛性有何影响？
• RQ3 潜在阈值因子模型与标准动态因子模型相比，在捕捉EEG信号中的动态转移响应方面表现如何？
• RQ4 所提出方法能否在精神科研究中揭示EEG导联之间有意义的、时变的滞后/领先关系？
• RQ5 该模型在具有非平稳动态特性的多变量EEG时间序列预测与分解中的实证性能如何？

主要发现

• 潜在阈值法成功在因子载荷中诱导出时变稀疏性，揭示了EEG数据中脑网络连接性的动态模式。
• 对阈值施加结构化先验显著提升了MCMC收敛性，并能准确识别随时间变化的活跃与非活跃因子载荷。
• 后验汇总结果显示，某些EEG导联对特定潜在因子表现出强烈且时变的影响，表明存在动态功能连接。
• 在精神科EEG病例研究中，该模型在捕捉非平稳滞后/领先关系方面优于标准动态因子模型。
• MCMC轨迹图证实关键参数（包括因子载荷、阈值与方差分量）具有充分混合与收敛性。
• 该方法能够将多变量EEG信号可解释地分解为具有明确神经生理学意义的动态稀疏因子分量。