[논문 리뷰] Source Separation and Higher-Order Causal Analysis of MEG and EEG

Kun Zhang, Aapo Hyvärinen|arXiv (Cornell University)|2012. 03. 15.

Blind Source Separation Techniques참고 문헌 17인용 수 7

한 줄 요약

이 논문은 MEG/EEG 데이터에서 자동 소스 분리와 인과적 연결성 분석을 위한 이중층 모델을 제안한다. 시간에 따라 변화하는 소스 분산(에너지 포락선)과 다변량 GARCH 모델을 활용하여 고차원 의존성을 밝혀내며, 이는 효과적 연결성 패턴을 규명하고 실제 MEG 데이터에서 기능적으로 그룹화된 소스와 음성 상호작용을 보이는 소스를 밝혀낸다.

ABSTRACT

Separation of the sources and analysis of their connectivity have been an important topic in EEG/MEG analysis. To solve this problem in an automatic manner, we propose a two-layer model, in which the sources are conditionally uncorrelated from each other, but not independent; the dependence is caused by the causality in their time-varying variances (envelopes). The model is identified in two steps. We first propose a new source separation technique which takes into account the autocorrelations (which may be time-varying) and time-varying variances of the sources. The causality in the envelopes is then discovered by exploiting a special kind of multivariate GARCH (generalized autoregressive conditional heteroscedasticity) model. The resulting causal diagram gives the effective connectivity between the separated sources; in our experimental results on MEG data, sources with similar functions are grouped together, with negative influences between groups, and the groups are connected via some interesting sources.

연구 동기 및 목표

• MEG 및 EEG 데이터에서 자동 소스 분리와 효과적 연결성 분석의 과제를 해결하기 위해.
• 이차 통계량으로 포착되지 않는 소스 간 의존성을 모델링하며, 소스 분산의 고차원 시간 동적 특성에 초점을 맞추기 위해.
• 시간에 따라 변화하는 에너지 포락선의 구조를 통해 소스 간 인과관계를 규명하기 위해.
• 신경영상 신호에서 기능적 뇌 네트워크 조직을 탐색하기 위한 비지도, 데이터 기반 방법을 제공하기 위해.
• 비정규성과 시간에 따라 변화하는 고차원 의존성을 통합함으로써 전통적인 ICA 및 이차 통계 방법을 향상시키기 위해.

제안 방법

• 소스의 자기상관과 시간에 따라 변화하는 분산을 모두 고려하는 새로운 소스 분리 기법을 도입한다.
• 소스의 시간에 따라 변화하는 분산(에너지 포락선)을 다변량 GARCH 프레임워크를 사용하여 동적 조건부 이방성성을 포착한다.
• 소스가 조건부로 상관관계가 없지만 에너지 포락선 동적 특성을 통해 의존성을 가진다고 가정함으로써 고차원 인과적 구조 탐지가 가능해진다.
• 다변량 GARCH 모델을 통해 에너지 포락선 과정 간의 교차의존성을 분석함으로써 인과관계를 규명한다.
• 수득된 인과 다이어그램을 활용해 분리된 소스 간의 효과적 연결성을 추론한다.
• 이중 단계로 방법을 적용한다: 먼저 소스 분리, 그 다음 분리된 소스의 에너지 포락선 동적 특성에서 인과성 탐지.

실험 결과

연구 질문

• RQ1 MEG/EEG 데이터에서 시간에 따라 변화하는 분산과 자기상관을 고려하면서 소스를 어떻게 분리할 수 있는가?
• RQ2 이차 상관관계를 초월하여 뇌 소스 간에 존재하는 고차원 통계적 의존성은 무엇인가?
• RQ3 시간에 따라 변화하는 에너지 포락선 동적 특성은 신경 활동의 인과관계를 드러낼 수 있는가?
• RQ4 기능적 뇌 네트워크는 소스 에너지 포락선 변화의 인과적 구조에서 어떻게 형성되는가?
• RQ5 이중층 모델은 원칙적이고 비지도 방식으로 소스를 효과적으로 분리하고 그 효과적 연결성을 추론할 수 있는가?

주요 결과

• 제안된 방법은 소스 분리 과정에서 비정규성과 시간에 따라 변화하는 분산의 동적 특성을 효과적으로 포착한다.
• 다변량 GARCH 모델은 소스 간 인과관계를 에너지 포락선 과정을 통해 효과적으로 규명한다.
• 실제 MEG 데이터에서는 유사한 기능적 역할을 하는 소스들이 인과 네트워크에서 함께 그룹화된다.
• 기능적으로 그룹화된 소스 클러스터 간에 음성 영향이 관찰되어 억제성 상호작용을 시사한다.
• 다른 기능적 그룹을 연결하는 핵심 '허브' 소스들이 밝혀져 상호 뇌 영역 간 소통에서 중심적인 역할을 함을 시사한다.
• 비정규성과 시간에 따라 변화하는 고차원 의존성을 통합함으로써 전통적인 이차 통계 방법보다 우수한 성능을 보이며, 고차원 통계적 의존성에 숨겨진 연결성 패턴을 드러낸다.