[论文解读] Neural Connectivity in M/EEG with Hidden Hermitian Gaussian Graphical Model

Deirel Paz-Linares, Eduardo Gonzalez-Moreira+1 more|arXiv (Cornell University)|Oct 2, 2018

Neural dynamics and brain function被引用 1

一句话总结

该论文提出了一种新型频域线性状态空间框架——隐高斯图状态模型（HIGGS），通过引入稀疏连接先验，有效缓解了体积传导引起的泄漏问题，从而改进了M/EEG神经连接组的重建，尤其在存在头颅异质性的EEG中表现更优。研究通过非人灵长类动物中同步采集的EEG与ECoG数据，首次提供了确证性证据。

ABSTRACT

The noninvasive procedures for neural connectivity are under questioning. Theoretical models sustain that the electromagnetic field registered at external sensors is elicited by currents at neural space. Nevertheless, what we observe at the sensor space is a superposition of projected fields, from the whole gray-matter. This is the reason for a major pitfall of noninvasive Electrophysiology methods: distorted reconstruction of neural activity and its connectivity or leakage. It has been proven that current methods produce incorrect connectomes. Somewhat related to the incorrect connectivity modelling, they disregard either Systems Theory and Bayesian Information Theory. We introduce a new formalism that attains for it, Hidden Gaussian Graphical State-Model (HIGGS). A neural Gaussian Graphical Model (GGM) hidden by the observation equation of Magneto-encephalographic (MEEG) signals. HIGGS is equivalent to a frequency domain Linear State Space Model (LSSM) but with sparse connectivity prior. The mathematical contribution here is the theory for high-dimensional and frequency-domain HIGGS solvers. We demonstrate that HIGGS can attenuate the leakage effect in the most critical case: the distortion EEG signal due to head volume conduction heterogeneities. Its application in EEG is illustrated with retrieved connectivity patterns from human Steady State Visual Evoked Potentials (SSVEP). We provide for the first time confirmatory evidence for noninvasive procedures of neural connectivity: concurrent EEG and Electrocorticography (ECoG) recordings on monkey. Open source packages are freely available online, to reproduce the results presented in this paper and to analyze external MEEG databases.

研究动机与目标

• 解决由于体积传导和传感器信号叠加导致的非侵入性M/EEG连接性失真这一关键问题。
• 克服现有方法忽视系统理论与贝叶斯信息论原则的局限性。
• 开发一种数学上严谨的高维求解器，用于频域隐高斯图模型。
• 在存在真实头颅体积传导异质性的EEG条件下，实现更优的神经连接性估计。
• 通过非人灵长类动物中同步采集的EEG与ECoG记录，提供实证验证。

提出的方法

• 将隐高斯图状态模型（HIGGS）构建成带有稀疏连接先验的频域线性状态空间模型（LSSM）。
• 将神经活动建模为潜变量高斯图模型，M/EEG传感器信号作为线性混合、空间投影的观测值。
• 采用频域形式化，以实现对神经连接动态的谱分析。
• 应用贝叶斯推断并引入结构化先验，以强化稀疏性并减少连接估计中的泄漏。
• 开发高维求解器，实现在频域中的高效推断，从而实现对真实M/EEG数据的可扩展性。
• 将系统理论与信息论原则整合到模型结构中，确保理论一致性。

实验结果

研究问题

• RQ1 具有稀疏连接先验的频域隐状态空间模型能否有效降低M/EEG连接性估计中的泄漏？
• RQ2 在EEG中存在真实头颅体积传导异质性的情况下，HIGGS在神经连接性重建方面的表现如何？
• RQ3 与现有非侵入性方法相比，HIGGS在连接组准确性方面提升了多少？
• RQ4 非人灵长类动物中同步采集的EEG与ECoG记录能否为非侵入性连接性估计提供确证性证据？
• RQ5 所提出的数学框架是否具备在高维真实M/EEG数据中应用的可扩展性与鲁棒性？

主要发现

• HIGGS显著减弱了由头颅体积传导异质性引起的EEG信号泄漏效应。
• 该模型在人类稳态视觉诱发电位（SSVEP）数据中生成了更精确的神经连接模式。
• 首次通过非人灵长类动物中同步采集的EEG与ECoG记录，提供了确证性证据，表明非侵入性EEG与侵入式ECoG连接性结果具有一致性。
• 频域HIGGS求解器实现了在高维神经状态空间中的高效且稳定的推断。
• 该方法整合了系统理论与贝叶斯信息论，弥补了先前方法的理论缺陷。
• 开源实现已公开发布，支持可复现性，并可应用于外部M/EEG数据库。