[论文解读] Complex tensor factorisation with PARAFAC2 for the estimation of brain connectivity from the EEG

Loukianos Spyrou, Mario A. Parra+1 more|Edinburgh Research Explorer|May 2, 2017

Tensor decomposition and applications参考文献 22被引用 3

一句话总结

本文提出了一种复杂的PARAFAC2张量分解方法，通过联合建模空间、频谱和复数试验特征，从EEG数据中估计脑连接性。该方法在估计连接性方面优于传统PARAFAC，尤其在噪声环境下以及检测轻度认知障碍和阿尔茨海默病患者中异常连接性方面表现更优，验证了其揭示生物学上合理耦合模式的能力，而这些模式未被标准方法捕捉到。

ABSTRACT

Objective: The coupling between neuronal populations and its magnitude have been shown to be informative for various clinical applications. One method to estimate brain connectivity is with electroencephalography (EEG) from which the cross-spectrum between different sensor locations is derived. We wish to test the efficacy of tensor factorisation in the estimation of brain connectivity. Methods: Complex tensor factorisation based on PARAFAC2 is used to decompose the EEG into scalp components described by the spatial, spectral, and complex trial profiles. An EEG model in the complex domain was derived that shows the suitability of PARAFAC2. A connectivity metric was also derived on the complex trial profiles of the extracted components. Results: Results on a benchmark EEG dataset confirmed that PARAFAC2 can estimate connectivity better than traditional tensor analysis such as PARAFAC within a range of signal-to-noise ratios. The analysis of EEG from patients with mild cognitive impairment or Alzheimer's disease showed that PARAFAC2 identifies loss of brain connectivity better than traditional approaches and agreeing with prior pathological knowledge. Conclusion: The complex PARAFAC2 algorithm is suitable for EEG connectivity estimation since it allows to extract meaningful coupled sources and provides better estimates than complex PARAFAC. Significance: A new paradigm that employs complex tensor factorisation has demonstrated to be successful in identifying brain connectivity and the location of couples sources for both a benchmark and a real-world EEG dataset. This can enable future applications and has the potential to solve some the issues that deteriorate the performance of traditional connectivity metrics.

研究动机与目标

• 开发一种张量分解框架，通过联合建模空间、频谱和时间动态特性，捕捉EEG数据中的耦合神经源。
• 通过利用复数张量分解，解决传统连接性度量方法的局限性，如体积传导、噪声和参考电极效应。
• 基于提取成分的复数试验特征，推导一种连接性度量，以估计脑区间的功能耦合。
• 在具有已知连接结构的基准数据集和真实世界EEG数据集（包括轻度认知障碍和阿尔茨海默病患者）上验证该方法。
• 证明复数PARAFAC2在低信噪比条件下，相比标准PARAFAC，能更优地估计连接性。

提出的方法

• 在复数域中构建EEG模型，以考虑跨试验的相位偏移和非平稳性。
• 应用复数PARAFAC2分解，将EEG互谱张量分解为空间、频谱和复数试验成分。
• 以复数试验特征为基础，计算一种新型连接性度量，以量化成分之间的耦合强度。
• 通过在张量框架内聚焦相干性的虚部，结合相位同步原理，以减少体积传导效应。
• 通过理论和实证支持，确保PARAFAC2在复数域中相对于PARAFAC的适用性。
• 使用具有已知连接结构的基准数据集和来自MCI及阿尔茨海默病患者的实际EEG数据验证该方法。

实验结果

研究问题

• RQ1 在不同信噪比条件下，复数PARAFAC2是否能优于标准PARAFAC，更准确地估计EEG数据中的脑连接性？
• RQ2 与健康对照组相比，该方法是否能有效检测出轻度认知障碍和阿尔茨海默病患者中的异常连接性模式？
• RQ3 从PARAFAC2中提取的复数试验特征，是否能比传统连接性度量更准确、更稳健地估计神经耦合？
• RQ4 该方法在估计连接性时，能在多大程度上保持潜在神经源的空间和频谱特性？
• RQ5 从复数PARAFAC2成分中推导出的连接性度量，是否与神经退行性疾病中的已知病理和生理机制一致？

主要发现

• 在所有信噪比条件下，PARAFAC2的连接性估计准确度（CONN）均高于PARAFAC，尤其在低至中等信噪比下性能提升显著。
• 在相位相关比（PR）为0.6时，PARAFAC2达到性能上限，CONN ≈ 0.8（R=2和R=8），优于以往需要预先知晓频带知识的方法。
• 在真实EEG数据中，功率校正后的连接性度量显示MCI患者连接性显著高于年龄匹配的对照组，与认知老化与衰退的支架理论一致。
• MCI组在α、β和θ频带表现出更高的同步性，尽管功率较低，提示存在代偿性神经机制，而MCI-FAD组未表现出此模式。
• 在执行绑定任务时，相比形状任务，观察到更广泛的激活模式，支持长程连接在复杂认知加工中的作用，该结果被本方法有效捕捉。
• 即使在缺乏频带或信噪比阈值先验知识的情况下，该方法在识别真实源位置方面也比以往方法具有更高的准确度（LOC）。