[论文解读] Extracranial estimation of neural mass model parameters using the Unscented Kalman Filter

Lara Escuain-Poole, Jordi García‐Ojalvo+1 more|arXiv (Cornell University)|Aug 1, 2017

Neural dynamics and brain function参考文献 72被引用 16

一句话总结

本文提出使用无迹卡尔曼滤波器（UKF）结合前向头模型（Ary模型），通过将颅内神经活动映射到颅外脑电图（EEG）信号，实现从非侵入性头皮EEG数据中估计神经质量模型的参数与状态。主要结果表明，多通道EEG能够准确估计神经动力学与连接性，而单通道EEG仅能提供部分且不充分的信息，尤其在不同脑状态之间表现不足。

ABSTRACT

Data assimilation, defined as the fusion of data with preexisting knowledge, is particularly suited to elucidating underlying phenomena from noisy/insufficient observations. Although this approach has been widely used in diverse fields, only recently have efforts been directed to problems in neuroscience, using mainly intracranial data and thus limiting its applicability to invasive measurements involving electrode implants. Here we intend to apply data assimilation to non-invasive electroencephalography (EEG) measurements to infer brain states and their characteristics. For this purpose, we use Kalman filtering to combine synthetic EEG data with a coupled neural-mass model together with Ary's model of the head, which projects intracranial signals onto the scalp. Our results show that using several extracranial electrodes allows to successfully estimate the state and parameters of the neural masses and their interactions, whereas one single electrode provides only a very partial and insufficient view of the system. The superiority of using multiple extracranial electrodes over using only one, be it intra- or extracranial, is shown over a wide variety of dynamical behaviours. Our results show potential towards future clinical applications of the method.

研究动机与目标

• 将基于卡尔曼滤波的数据同化技术从侵入性颅内记录扩展至非侵入性EEG测量。
• 解决从噪声大、间接且空间受限的EEG观测中估计神经质量模型参数与状态的挑战。
• 评估UKF在使用多通道与单通道EEG时，对神经动力学与连接性的估计性能。
• 证明将贝叶斯状态与参数估计方法应用于临床EEG的可行性，结合生理上合理的头模型。
• 在由耦合神经质量模型与头体积导体模型生成的合成EEG数据上验证该方法。

提出的方法

• 本研究采用无迹卡尔曼滤波器（UKF）在非线性、非高斯系统中执行联合状态与参数估计，利用sigma点近似后验分布。
• 一个耦合的神经质量模型用于模拟皮层的中尺度活动，其参数控制内在动力学与柱间连接性。
• 一个体积导体模型（Ary模型）将颅内神经活动映射至头皮电位，实现从神经质量输出到EEG信号的前向模拟。
• UKF通过非线性状态与测量模型传播sigma点，利用确定性采样捕捉状态分布的均值与协方差。
• 通过卡尔曼增益执行测量更新，平衡模型置信度与测量噪声，测量模型由线性矩阵H定义，用于将神经状态映射至EEG电位。
• 该方法在由三柱神经质量模型生成的合成EEG数据上进行测试，涵盖不同动力学状态，采用真实噪声水平与电极配置。

实验结果

研究问题

• RQ1 无迹卡尔曼滤波器能否准确估计来自多通道非侵入性EEG数据的神经质量模型参数与状态？
• RQ2 头皮电极数量如何影响神经状态与参数估计的准确性与完整性？
• RQ3 基于UKF的数据同化方法是否优于单电极EEG，以解析复杂的神经动力学与连接性模式？
• RQ4 该方法在不同动力学状态（如振荡、混沌或癫痫样活动）下是否具有鲁棒性？
• RQ5 整合头体积导体模型（Ary模型）是否能有效实现从颅内神经活动到头皮EEG的物理上合理的前向映射，以支持非侵入性推断？

主要发现

• 与单通道EEG相比，多通道EEG显著提供了更完整且准确的神经质量状态与参数估计，而单通道EEG仅能提供部分且不可靠的信息。
• UKF在广泛的动力学行为范围内（包括振荡与混沌状态）成功估计了耦合神经质量模型的状态与参数。
• 在使用多个电极时，该方法能准确重建神经质量动力学与柱间连接性模式，表现出对噪声与模型不确定性的鲁棒性。
• 单电极EEG因空间采样不足，无法解析完整系统动力学，特别是神经柱之间的相互作用。
• Ary的头模型整合实现了从颅内神经活动到头皮EEG的物理上合理的前向映射，使该方法可应用于真实非侵入性EEG数据。
• UKF在处理神经质量模型与EEG前向模型中的非线性方面优于标准扩展卡尔曼滤波，表现为收敛性与估计精度的提升。