[論文レビュー] Interaction patterns of brain activity across space, time and frequency. Part I: methods

Roberto D. Pascual‐Marqui, Rolando J. Biscay-Lirio|arXiv (Cornell University)|Mar 15, 2011

Functional Brain Connectivity Studies参考文献 11被引用数 13

ひとこと要約

この論文は、複数の時間ラグおよび周波数帯域を含む脳活動における空間的・時間的・機能的結合パターンを同定するための関数データ解析フレームワークを提案する。被験者データをベクトル化および連結して高次元行列にし、特異値分解（SVD）および独立成分分析（ICA）を適用することで、潜在的な機能的ネットワークを同定し、標準的なICA手法を超えた動的で周波数特異的な脳内相互作用を同定可能にする。

ABSTRACT

We consider exploratory methods for the discovery of cortical functional connectivity. Typically, data for the i-th subject (i=1...NS) is represented as an NVxNT matrix Xi, corresponding to brain activity sampled at NT moments in time from NV cortical voxels. A widely used method of analysis first concatenates all subjects along the temporal dimension, and then performs an independent component analysis (ICA) for estimating the common cortical patterns of functional connectivity. There exist many other interesting variations of this technique, as reviewed in [Calhoun et al. 2009 Neuroimage 45: S163-172]. We present methods for the more general problem of discovering functional connectivity occurring at all possible time lags. For this purpose, brain activity is viewed as a function of space and time, which allows the use of the relatively new techniques of functional data analysis [Ramsay & Silverman 2005: Functional data analysis. New York: Springer]. In essence, our method first vectorizes the data from each subject, which constitutes the natural discrete representation of a function of several variables, followed by concatenation of all subjects. The singular value decomposition (SVD), as well as the ICA of this new matrix of dimension [rows=(NT*NV); columns=NS] will reveal spatio-temporal patterns of connectivity. As a further example, in the case of EEG neuroimaging, Xi of size NVxNW may represent spectral density for electric neuronal activity at NW discrete frequencies from NV cortical voxels, from the i-th EEG epoch. In this case our functional data analysis approach would reveal coupling of brain regions at possibly different frequencies.

研究の動機と目的

• すべての可能な時間ラグを考慮することができる、脳活動における機能的結合を同定する一般化された手法の開発。
• 連続的な空間的・時間的関数としての機能的データ解析手法を組み込んだ、従来のICAベースの結合解析の拡張。
• 脳活動を空間・時間・周波数の関数としてモデル化し、周波数特異的結合パターンの検出を可能にする。
• EEGスペクトル密度およびfMRI時系列を含む、多様な神経画像モodalitiesに適用可能な統合的フレームワークの提供。
• 神経生理的データの完全な時間的・周波数的構造を保持することで、潜在的機能的ネットワークの検出を向上させる。

提案手法

• 被験者の脳活動をサイズNV × NT（ボクセル数 × 時間ポイント数）の行列として表現し、長さNT × NVの1次元の行ベクトルにベクトル化する。
• 全被験者のベクトル化データを連結し、サイズ（NT × NV）× NSの大きな行列（NSは被験者数）を作成する。
• この連結行列に特異値分解（SVD）を適用し、分散の主要な空間的・時間的パターンを抽出する。
• その後、同じ行列に対して独立成分分析（ICA）を実行し、統計的に独立な機能的ネットワークを同定する。
• 周波数帯に分けた活動を周波数・時間・空間の関数として扱うことで、EEGパワースペクトルなどのスペクトルデータに対してもアプローチを拡張する。
• フレームワークにより、ゼロラグや固定周波数窓に制限されない、任意の時間ラグおよび周波数帯域における機能的結合パターンの同定が可能になる。

実験結果

リサーチクエスチョン

• RQ1 神経画像データにおいて、すべての可能な時間ラグにわたる機能的結合はどのようにモデル化できるか？
• RQ2 周波数帯域に応じて変化する脳ネットワーク相互作用を検出するにはどのような手法が有効か？
• RQ3 関数データ解析手法は、マルチ被験者神経画像データにおける空間的・時間的パターンの検出をどのように向上させるか？
• RQ4 被験者データのベクトル化および連結処理は、動的結合パターンをどのように保持し、顕在化させるか？
• RQ5 複雑な時間的・周波数的構造を有する脳活動を分析する際、このフレームワークは標準的なICAに比べてどのような利点を提供するか？

主な発見

• 提案手法は、ゼロラグ仮定を前提とする標準的なICAでは検出できない、空間的・時間的関数的結合パターンを効果的に明らかにした。
• 連結されたベクトル化データにSVDおよびICAを適用することで、時間経過に伴い脳領域間で協調的活動を示す潜在的機能的ネットワークが同定された。
• フレームワークにより、EEGスペクトルデータにおける周波数特異的結合が検出可能となり、異なる周波数で脳領域間の相互作用が明らかになった。
• 脳活動を空間・時間・周波数の関数としてモデル化することで、静的またはゼロラグ結合を超えた動的相互作用を捉えることが可能になった。
• fMRIやEEGを含む多様な神経画像モダリティに適用可能な統合的分析フレームワークを提供し、複雑なネットワークダイナミクスへの感受性が向上した。