[論文レビュー] Modeling Dynamic Functional Connectivity with Latent Factor Gaussian Processes

Lingge Li, Dustin Pluta+4 more|arXiv (Cornell University)|May 24, 2019

Functional Brain Connectivity Studies参考文献 16被引用数 12

ひとこと要約

本稿では、低ランクガウス過程（LFGP）モデルを提案し、時系列の共分散行列を低ランクガウス過程としてモデル化することで、神経時系列データにおける動的機能的結合（DFC）を推定する。この手法により、頑健で確率的推論が可能となり、可視化も可能となる。非空間的記憶タスク中のラット海馬の局所フィールド電位（LFP）データに適用したところ、刺激ごとに明確に異なるDFCパターンが得られ、潜在空間における分類精度は最大87.12%に達し、LFPに基づく刺激識別が可能であることを示した。

ABSTRACT

Dynamic functional connectivity, as measured by the time-varying covariance of neurological signals, is believed to play an important role in many aspects of cognition. While many methods have been proposed, reliably establishing the presence and characteristics of brain connectivity is challenging due to the high dimensionality and noisiness of neuroimaging data. We present a latent factor Gaussian process model which addresses these challenges by learning a parsimonious representation of connectivity dynamics. The proposed model naturally allows for inference and visualization of time-varying connectivity. As an illustration of the scientific utility of the model, application to a data set of rat local field potential activity recorded during a complex non-spatial memory task provides evidence of stimuli differentiation.

研究の動機と目的

• 局所フィールド電位（LFP）からの高次元でノイジーな神経画像データにおいて、信頼性の高い動的機能的結合（DFC）を推定する課題に対処すること。
• スライディングウインドウ法やHMMのような非確率的DFC手法の限界を克服し、不確実性の定量化を可能にする完全ベイズフレームワークを導入すること。
• 時間変動する共分散の低次元潜在要因表現を通じて、DFCダイナミクスの可視化と科学的解釈を可能にすること。
• 非空間的記憶タスクにおける異なる感覚的刺激に関連する条件特異的結合差異を検出できるかどうかを示すこと。
• 共変数の組み込みと被験者間プーリングを可能とするスケーラブルで柔軟なフレームワークを提供し、fMRI やスパイiking活動を含む多様な神経画像モodalitiesに応用可能とすること。

提案手法

• 多変量非定常時系列の対数共分散行列を、各共分散要素がガウス過程（GP）潜在要因の線形結合として表現される潜在要因構造でモデル化する。
• 対称正定値（SPD）共分散行列をユークリッド空間に写像するためのロジック・オルソゴナル距離（Log-Euclidean）度量を用い、共分散行列の上三角部に対する制約のないGPモデリングを可能にする。
• 時間変動する潜在要因を、平方指数カーネルを用いたGP事前分布でモデル化し、関連する周波数帯に関する事前の神経科学的知識によって、長さスケールハイパーパrameterを制御可能にする。
• マルコフ連鎖モンテカルロ（MCMC）を用いたベイズ推論により、潜在要因および結合ダイナミクスの事後分布を推定し、不確実性の定量化を可能にする。
• 潜在軌道を低次元空間に射影し、実験的条件間でのその変化を比較することで、DFCダイナミクスを可視化する。
• MCMCによる事後潜在軌道のサンプルを用いて分類器（ロジスティック回帰、k-NN、SVM）を訓練し、分類精度を指標として結合の特異性を測定する。

実験結果

リサーチクエスチョン

• RQ1 完全な確率的モデルは、ノイジーで高次元なLFPデータにおいて、動的機能的結合（DFC）の存在を検出できるか？
• RQ2 異なる実験的刺激は、非空間的記憶タスク中のラット海馬で、固有のDFCパターンを引き起こすか？
• RQ3 LFGPモデルの潜在要因構造は、結合ダイナミクスの時間的変化をどれほどよく捉え、可視化できるか？
• RQ4 LFGPモデルは、スライディングウインドウ法やHMMといった従来手法に比べ、刺激特異的結合パターンをどれほどよく捉えられるか？
• RQ5 モデルの潜在空間表現は、神経結合ダイナミクスに基づいて異なる刺激を分類するのにどの程度有効か？

主な発見

• LFGPモデルは、ラット海馬LFPデータにおける動的機能的結合（DFC）の強い統計的証拠を提供し、事後推定により共分散プロセスの非定常性が確認された。
• 異なる匂い刺激に対する潜在軌道は、刺激発現後約250msで分離し、匂い識別に関する行動的証拠と整合的であり、刺激提示終了時には再び収束する。
• 事後潜在軌道に基づく匂い識別分類では、k-Nearest Neighborsを用いて87.12%の精度を達成し、ランダムな予測を大きく上回り、明確に異なる結合ダイナミクスが存在することを示した。
• HMMベースの手法は、AICに基づき8状態をフィットしたが、刺激BとCの試行間で状態の割合の有意差を捉えられず、刺激特異的DFCを信頼性高くモデル化できていないことを示唆した。
• LFGPで推定された中央値共分散行列は、時間的変化が滑らかで生物学的に妥当なダイナミクスを示し、HMMのより急激な遷移やスライディングウインドウ法のノイジーな推定を上回った。
• GPの長さスケールパラメータを用いた科学的事前知識の組み込みにより、特定周波数帯域における結合の分析が標的化可能となり、神経生理学的プロセスとの解釈可能性と関連性が向上した。