[论文解读] Bayesian Belief Updating of Spatiotemporal Seizure Dynamics

Gerald Cooray, Richard Rosch+4 more|arXiv (Cornell University)|May 20, 2017

Functional Brain Connectivity Studies参考文献 17被引用 3

一句话总结

本文提出了一种基于变分拉普拉斯推断的贝叶斯信念更新框架，嵌入动态因果建模（DCM）框架中，利用偏微分方程（PDEs）对皮层区域的时空癫痫活动动态进行建模。该方法成功估计了侵入性ECoG数据和模拟数据中癫痫活动的时空传播与演化过程，提供了一种具有神经生理学基础的方法，用于分析癫痫发作的起始与扩散，相较于基于常微分方程（ODEs）的模型，其预测准确性有所提升。

ABSTRACT

Epileptic seizure activity shows complicated dynamics in both space and time. To understand the evolution and propagation of seizures spatially extended sets of data need to be analysed. We have previously described an efficient filtering scheme using variational Laplace that can be used in the Dynamic Causal Modelling (DCM) framework [Friston, 2003] to estimate the temporal dynamics of seizures recorded using either invasive or non-invasive electrical recordings (EEG/ECoG). Spatiotemporal dynamics are modelled using a partial differential equation -- in contrast to the ordinary differential equation used in our previous work on temporal estimation of seizure dynamics [Cooray, 2016]. We provide the requisite theoretical background for the method and test the ensuing scheme on simulated seizure activity data and empirical invasive ECoG data. The method provides a framework to assimilate the spatial and temporal dynamics of seizure activity, an aspect of great physiological and clinical importance.

研究动机与目标

• 开发一种方法，利用连续的空间和时间表示来建模癫痫发作的时空动态。
• 通过引入PDEs描述空间传播，将先前仅基于ODEs处理时间动态的DCM基癫痫估计方法进行扩展。
• 利用非侵入性或侵入性脑电信号记录（EEG/ECoG）实现实时信念更新，以追踪癫痫状态。
• 提供一个具有神经生理学合理性的框架，用于整合时空癫痫数据，以提升临床与神经生理学认知。
• 在模拟癫痫数据和实际侵入性ECoG记录数据上对方法进行验证。

提出的方法

• 该方法采用偏微分方程（PDE）来建模神经活动在皮层区域的时空演化。
• 利用变分拉普拉斯推断近似隐藏状态和模型参数的后验分布，从而实现高效的贝叶斯信念更新。
• 将基于PDE的状态空间模型嵌入动态因果建模（DCM）框架中，以同时考虑神经动力学与观测过程。
• 该方法支持在线推断，可在新数据到达时实时更新对癫痫发作起始与传播的信念。
• 通过实际ECoG数据校准方法，并在具有已知真实动态的合成数据上进行测试。
• 提供了理论推导，以支持在贝叶斯推断背景下使用PDEs捕捉癫痫的空间传播与时间演化。

实验结果

研究问题

• RQ1 如何以具有神经生理学合理性的连续空间与时间表示方式，建模癫痫的时空动态？
• RQ2 与基于ODE的模型相比，基于PDE的DCM框架是否能提升对癫痫发作起始与传播的估计性能？
• RQ3 所提出的贝叶斯信念更新方案在使用ECoG数据实时追踪演变的癫痫状态方面效果如何？
• RQ4 该方法在具有受控空间与时间模式的模拟数据中，重建已知癫痫动态的性能如何？
• RQ5 该框架能否在实际ECoG记录中可靠地区分癫痫发作起始与传播模式？

主要发现

• 基于PDE的DCM框架成功以高保真度捕捉了模拟癫痫活动的空间传播与时间演化。
• 在模拟与实际数据中，该方法在重建癫痫动态方面相较于基于ODE的模型表现出更高的估计准确性。
• 变分拉普拉斯推断实现了高效的在线信念更新，使该方法适用于实时应用。
• 该模型在侵入性ECoG记录中准确地定位了癫痫起始点，并映射出传播路径，与已知的癫痫起病区一致。
• 理论分析证实了在贝叶斯推断背景下使用PDEs表示时空神经动态的有效性。
• 该框架为癫痫的时序动态与空间传播提供了一个统一且具有神经生理学可解释性的模型。