[论文解读] A Spatiotemporal Dynamic Solution to the MEG Inverse Problem: An Empirical Bayes Approach

Camilo Lamus, Matti Hämäläinen+3 more|arXiv (Cornell University)|Nov 16, 2015

Functional Brain Connectivity Studies参考文献 69被引用 32

一句话总结

本文提出了一种基于最近邻自回归模型的时空动态逆解法，采用经验贝叶斯方法对脑皮层活动进行建模，以解决MEG中的不适定问题。dMAP-EM算法结合了卡尔曼滤波与固定区间平滑技术，通过融合历史与未来数据，实现了对源定位的显著性能提升，相较于静态方法，在包含数千个源和数百个传感器的模拟数据与人类受试者数据中表现更优。

ABSTRACT

MEG/EEG are non-invasive imaging techniques that record brain activity with high temporal resolution. However, estimation of brain source currents from surface recordings requires solving an ill-posed inverse problem. Converging lines of evidence in neuroscience, from neuronal network models to resting-state imaging and neurophysiology, suggest that cortical activation is a distributed spatiotemporal dynamic process, supported by both local and long-distance neuroanatomic connections. Because spatiotemporal dynamics of this kind are central to brain physiology, inverse solutions could be improved by incorporating models of these dynamics. In this article, we present a model for cortical activity based on nearest-neighbor autoregression that incorporates local spatiotemporal interactions between distributed sources in a manner consistent with neurophysiology and neuroanatomy. We develop a dynamic Maximum a Posteriori Expectation-Maximization (dMAP-EM) source localization algorithm for estimation of cortical sources and model parameters based on the Kalman Filter, the Fixed Interval Smoother, and the EM algorithms. We apply the dMAP-EM algorithm to simulated experiments as well as to human experimental data. Furthermore, we derive expressions to relate our dynamic estimation formulas to those of standard static models, and show how dynamic methods optimally assimilate past and future data. Our results establish the feasibility of spatiotemporal dynamic estimation in large-scale distributed source spaces with several thousand source locations and hundreds of sensors, with resulting inverse solutions that provide substantial performance improvements over static methods.

研究动机与目标

• 通过引入脑皮层活动的神经生理学上合理的时空动态特性，解决MEG逆问题的不适定性。
• 开发一种动态源估计框架，利用历史与未来数据，突破静态、时间无关的假设限制。
• 通过最近邻自回归模型对局部与远距离神经解剖连接进行建模，提升MEG源定位的空间与时间分辨率。
• 通过高效的贝叶斯推断与经验贝叶斯参数估计，实现在大规模分布式源空间（数千个源）中的可扩展估计。

提出的方法

• 提出最近邻自回归模型，以表征脑皮层电流的时空动态特性，符合神经解剖学与神经生理学特性。
• 开发动态最大后验期望最大化（dMAP-EM）算法，结合卡尔曼滤波、固定区间平滑与EM算法，实现对源与模型参数的联合估计。
• 采用线性前向模型，通过麦克斯韦方程组的准静态近似，将脑皮层电流源与传感器测量关联起来。
• 应用经验贝叶斯方法，从数据中估计源协方差矩阵的超参数，实现数据驱动的正则化。
• 推导出动态估计与标准静态方法（如MNE、卡尔曼滤波）之间的解析关系，表明动态方法通过共享先验分布最优地整合了时间上下文信息。
• 采用时不变自回归结构，对时间点之间的时序依赖性进行建模，并通过状态空间形式实现高效计算。

实验结果

研究问题

• RQ1 将时空动态特性整合到MEG逆解中，是否能提升相对于静态方法的源定位准确性？
• RQ2 通过固定区间平滑技术融合历史与未来数据，是否能提升动态源定位中的估计性能？
• RQ3 最近邻自回归模型在多大程度上能够捕捉MEG源定位中生物上合理的皮层动态特性？
• RQ4 dMAP-EM算法是否能高效处理包含数千个源与数百个传感器的大规模分布式源空间？
• RQ5 动态估计在代数关系与实证表现上，相较于标准静态方法（如最小范数估计与卡尔曼滤波）有何差异？

主要发现

• dMAP-EM算法在模拟数据与人类MEG数据中均显著优于静态方法，尤其在解析空间扩展且时变的神经活动方面表现突出。
• 固定区间平滑估计（利用历史与未来数据）优于仅使用历史数据的卡尔曼滤波，也优于不使用时间上下文的MNE，证明了时间上下文整合的优势。
• 该方法成功处理了约5,000个偶极子源与200个时间点的大规模源空间，使真实人类MEG实验中的实际应用成为可能。
• 理论推导表明，如固定区间平滑器等动态方法通过共享先验分布，能够广义化并改进静态方法，从而整合时间结构。
• 受试者工作特征（ROC）曲线分析表明，动态方法的检测率更高，误报率更低，对真实源激活的敏感性更强。
• 经验贝叶斯方法能够直接从数据中稳健估计模型超参数，避免了对任意或固定正则化参数的依赖。