[论文解读] Resting state brain networks from EEG: Hidden Markov states vs. classical microstates

Tammo Rukat, Adam Baker+2 more|arXiv (Cornell University)|Jun 7, 2016

Neural dynamics and brain function参考文献 14被引用 9

一句话总结

本研究提出一种隐马尔可夫模型（HMM）作为经典脑电图（EEG）微状态分析的模型化替代方法，用于识别静息态脑网络。通过建模EEG功率包络的动力学，HMM揭示了持续时间为100–150 ms的准稳定脑区拓扑结构，与微状态相似，但具有不同的时间动力学特征——尤其是状态时间序列之间不相关或负相关——表明HMM可能比微状态更能捕捉更符合生理学意义的网络动力学。

ABSTRACT

Functional brain networks exhibit dynamics on the sub-second temporal scale and are often assumed to embody the physiological substrate of cognitive processes. Here we analyse the temporal and spatial dynamics of these states, as measured by EEG, with a hidden Markov model and compare this approach to classical EEG microstate analysis. We find dominating state lifetimes of 100--150\,ms for both approaches. The state topographies show obvious similarities. However, they also feature distinct spatial and especially temporal properties. These differences may carry physiological meaningful information originating from patterns in the data that the HMM is able to integrate while the microstate analysis is not. This hypothesis is supported by a consistently high pairwise correlation of the temporal evolution of EEG microstates which is not observed for the HMM states and which seems unlikely to be a good description of the underlying physiology. However, further investigation is required to determine the robustness and the functional and clinical relevance of EEG HMM states in comparison to EEG microstates.

研究动机与目标

• 评估隐马尔可夫模型（HMM）是否可作为经典EEG微状态分析的更符合生理学意义的替代方法，用于表征静息态脑网络。
• 比较HMM推导出的状态与经典微状态分析在静息态EEG中的空间与时间动力学特征。
• 探究微状态时间序列中观察到的强两两相关性是否反映真实的生理动力学，还是方法学上的人为结果。
• 评估HMM状态相对于微状态的鲁棒性与功能相关性，尤其关注状态持续时间、拓扑结构以及时间相关性结构。

提出的方法

• 将具有高斯观测模型的隐马尔可夫模型应用于传感器空间中EEG信号的功率包络，以推断潜在的准稳定脑网络状态。
• 采用变分贝叶斯方法进行近似推断，以实现HMM参数与状态时间序列的可计算估计。
• 通过识别全局场功率（GFP）极大值并应用k均值聚类提取拓扑结构，随后在仅于GFP峰值处切换的假设下推导出经典微状态分析的状态时间序列。
• 通过在不同时间窗宽度下，将两种方法得到的状态时间序列与最具代表性的EEG传感器包络进行相关性分析，进行比较。
• 采用自由能准则评估模型拟合度并确定HMM状态的最优数量，但在测试范围内未观察到明确的最小值。
• 量化并比较HMM与微状态方法之间状态时间序列的时间相关性结构，以评估其生理学合理性。

实验结果

研究问题

• RQ1 HMM推导出的脑状态是否表现出与经典EEG微状态相似的空间拓扑结构与时间动力学？
• RQ2 微状态时间序列中观察到的强两两时间相关性是否具有生理学意义，还是反映了方法本身的局限性？
• RQ3 与微状态相比，HMM状态是否表现出更多生物学上更合理的动态，例如不相关或负相关的状态转换？
• RQ4 HMM的最优状态数量是多少？模型拟合度（自由能）如何随状态数量增加而变化？
• RQ5 HMM状态是否捕捉到了EEG数据中的长程依赖性（LRDs），正如先前在微状态中报道的那样？

主要发现

• HMM与微状态方法均识别出100–150 ms的主导状态持续时间，与文献中先前的发现一致。
• HMM状态的空间拓扑结构与经典微状态具有明显相似性，对应状态之间可部分匹配。
• 微状态时间序列表现出持续的高两两相关性（>0.6），表明存在强烈的时间重叠，这可能并不反映真实的生理动力学。
• 相比之下，HMM状态时间序列未表现出一致的正相关性，部分配对甚至出现低至-0.5的负相关性，表明其时间动力学更具区分性。
• 两种方法中，状态时间序列与EEG传感器包络的相关性在100–150 ms的时间窗宽度下达到峰值，表明两者具有相同的波动时间尺度。
• HMM模型拟合度（以自由能衡量）随状态数量增加而持续下降，表明在测试范围内无明确最优数量，可能由于受试者特异性状态的出现。