[论文解读] Functional Connectivity via Total Correlation: Analytical results in Visual Areas

Qiang Li, Greg Ver Steeg+1 more|arXiv (Cornell University)|Aug 11, 2022

Functional Brain Connectivity Studies被引用 6

一句话总结

本文通过理论分析证明，总相关性（T）在捕捉早期视觉神经通路（视网膜-LGN-皮层）中的多变量功能连接方面优于互信息（I）。基于具有线性感受野和除法归一化的生物真实模型，作者表明T对网络连接性和反馈更为敏感，尤其在检测冗余减少和非线性相互作用方面表现更优，为fMRI和自然图像数据中的经验估计器提供了一个理论基础坚实的选择。

ABSTRACT

Recent studies invoke the superiority of the multivariate Total Correlation concept over the conventional pairwise measures of functional connectivity in biological networks. Those seminal works certainly show that empirical measures of Total Correlation lead to connectivity patterns that differ from what is obtained using the most popular measure, linear correlation, or its higher order and nonlinear alternative Mutual Information. However, they do not provide analytical results that explain the differences beyond the obvious multivariate versus bivariate definitions. Moreover, the accuracy of the empirical estimators could not be addressed directly because no controlled scenario with known analytical result was provided either. This point is critical because empirical estimation of information theory measures is always challenging. As opposed to previous empirical approaches, in this work we present analytical results to prove the advantages of Total Correlation over Mutual Information to describe the functional connectivity. In particular, we do it in neural networks for early vision (retina-LGN-cortex) which are realistic but simple enough to get analytical results. The presented analytical setting is also useful to check empirical estimates of Total Correlation. Therefore, once certain estimate can be trusted, one can explore the behavior with natural signals where the analytical results (that assume Gaussian signals), may not be valid. In this regard, as applications (a) we explore the effect of connectivity and feedback in the analytical retina-LGN-cortex network with natural images, and (b) we assess the functional connectivity in visual areas V1-V2-V3-V4 from actual fMRI recordings.

研究动机与目标

• 为解决以往使用总相关性（T）研究神经网络功能连接时缺乏理论基础的问题。
• 从理论上证明T在捕捉早期视觉处理通路中多变量相互作用方面比互信息（I）具有更强的敏感性。
• 建立一个受控的、理论可解的视网膜-LGN-皮层通路模型，其具有已知真实值，用于验证T和I的经验估计器。
• 在高斯分布和自然图像刺激下，评估T和I在不同反馈和归一化参数下检测连接性变化的性能。
• 利用理论基准评估T在真实fMRI数据（视觉区V1–V4）中的可靠性，以验证经验估计值。

提出的方法

• 构建了一个包含线性感受野和除法归一化的三节点早期视觉通路（视网膜-LGN-V1）理论模型，支持信息论度量的闭式计算。
• 在高斯信号假设下推导出总相关性（T）和互信息（I）的理论表达式，实现其对网络参数敏感度的精确比较。
• 引入自上而下的反馈以及可变的非线性参数（如c_ez, σ_H），以模拟皮层反馈和归一化强度，从而分析连接动态。
• 在合成数据（自然图像）和真实fMRI数据中，采用RBIG（随机旁路独立成分分析）方法进行T和I的经验估计，并通过分布分析进行统计验证。
• 通过将经验估计器的行为与理论预测进行对比，验证其可靠性，确保在应用于真实fMRI数据前无偏差。
• 应用其他连接性描述符（偏交叉相关、相干性、锁相值）以测试其敏感性，与T的表现进行对比。

实验结果

研究问题

• RQ1 总相关性（T）在检测神经网络中的多变量功能连接方面是否比互信息（I）具有更高的敏感性？
• RQ2 连接性和反馈如何影响视网膜-LGN-皮层通路中的信息传输和冗余减少，其度量基于T和I？
• RQ3 具有已知真实值的理论模型能否可靠地验证神经数据中T和I的经验估计器？
• RQ4 标准成对连接性度量（如相干性、锁相值）是否无法检测到非线性神经模型中T所捕捉的连接性变化？
• RQ5 从T推断的功能连接模式与视觉区V1–V4的真实fMRI数据相比如何？

主要发现

• 分析结果显示，T对连接性和反馈参数变化的敏感性显著高于互信息（I），这通过模型参数空间中的分析梯度得到证实。
• 理论模型证实，T能有效捕捉跨层的冗余减少，fMRI数据中从V1到V4的共享信息明显减少。
• RBIG方法对T的经验估计在fMRI数据中表现出一致的偏移，证实了从V1到V4的信息传输减少和冗余减少增强。
• T的信息估计分布之间重叠极小，表明连接模式存在统计上显著的差异，尤其在远距离节点（如V1–V4）之间更为明显。
• 相干性和锁相值等替代描述符在非线性模型中无法检测到连接性变化，而T在所有参数范围内均表现出强敏感性。
• 理论框架使经验T估计器的验证成为可能，证实其在应用于真实fMRI数据前的可靠性，从而降低了偏差解释的风险。