[论文解读] Hypothesis Testing of Matrix Graph Model with Application to Brain Connectivity Analysis

Xia Yin, Lexin Li|arXiv (Cornell University)|Nov 2, 2015

Functional Brain Connectivity Studies参考文献 32被引用 3

一句话总结

本文提出了一种基于矩阵正态分布的矩阵图形模型假设检验框架，用于通过脑电图（EEG）数据研究脑连接性。该研究开发了基于oracle和数据驱动的程序，用于检验全局条件独立性并识别显著连接，同时控制错误发现率（FDR），在模拟和真实数据中均表现出渐近最优性和强大的有限样本性能。

ABSTRACT

Brain connectivity analysis is now at the foreground of neuroscience research. A connectivity network is characterized by a graph, where nodes represent neural elements such as neurons and brain regions, and links represent statistical dependences that are often encoded in terms of partial correlations. Such a graph is inferred from matrix-valued neuroimaging data such as electroencephalography and functional magnetic resonance imaging. There have been a good number of successful proposals for sparse precision matrix estimation under normal or matrix normal distribution; however, this family of solutions do not offer a statistical significance quantification for the estimated links. In this article, we adopt a matrix normal distribution framework and formulate the brain connectivity analysis as a precision matrix hypothesis testing problem. Based on the separable spatial-temporal dependence structure, we develop oracle and data-driven procedures to test the global hypothesis that all spatial locations are conditionally independent, which are shown to be particularly powerful against the sparse alternatives. In addition, simultaneous tests for identifying conditional dependent spatial locations with false discovery rate control are proposed in both oracle and data-driven settings. Theoretical results show that the data-driven procedures perform asymptotically as well as the oracle procedures and enjoy certain optimality properties. The empirical finite-sample performance of the proposed tests is studied via simulations, and the new tests are applied on a real electroencephalography data analysis.

研究动机与目标

• 解决现有神经影像数据稀疏精度矩阵估计方法中缺乏统计显著性量化的问题。
• 在矩阵正态分布框架下，将脑连接性分析形式化为精度矩阵假设检验问题。
• 开发全局与同时性检验程序，以检测空间脑区之间的条件独立性，同时控制错误发现率（FDR）。
• 通过证明数据驱动程序在渐近意义上与oracle程序表现相当，建立其理论最优性。
• 通过模拟和真实脑电图（EEG）数据分析，验证该方法在有限样本下的表现。

提出的方法

• 使用具有Kronecker乘积协方差结构的矩阵正态分布对矩阵变量神经影像数据进行建模：$\text{cov}^{\text{vec}}(X) = \Sigma_L \otimes \Sigma_T$。
• 将空间精度矩阵 $\Omega_L = \Sigma_L^{-1}$ 定义为推断的主要对象，代表脑连接模式。
• 基于估计精度矩阵的Frobenius范数，提出一个用于检验 $H_0: \Omega_L \text{ 为对角矩阵}$（所有空间位置条件独立）的全局检验统计量。
• 通过数据驱动的阈值化方法，开发对单个元素 $\omega_{L,i,j}$ 的同时检验程序，并控制错误发现率（FDR）。
• 采用双重去偏技术校正精度矩阵估计器中的估计偏差，从而在高维设置下实现有效的推断。
• 在正则性条件下，建立数据驱动程序与oracle程序之间的渐近等价性，证明其在检测稀疏替代假设下的最优性。

实验结果

研究问题

• RQ1 我们能否开发一种正式的假设检验框架用于脑连接性分析，为估计的连接提供统计显著性，而不仅限于稀疏精度矩阵估计？
• RQ2 在矩阵正态模型下，如何检验所有空间脑区均条件独立的全局假设？
• RQ3 在高维矩阵变量数据中，最优方法是什么，以识别条件相关的脑区对，同时控制错误发现率（FDR）？
• RQ4 数据驱动的检验程序是否能达到与已知真实稀疏结构的oracle程序相同的渐近性能？
• RQ5 在高维且具有复杂依赖关系的真实神经影像设置下，所提出的检验方法在有限样本中表现如何？

主要发现

• 数据驱动的检验程序在渐近意义上与oracle程序表现等价，证明其在检测稀疏替代假设下的理论最优性。
• 所提出的条件独立性全局检验对稀疏替代假设特别有效，即仅少数脑区之间存在条件依赖。
• 模拟结果证实，所提出的方法能保持适当的I类错误控制，并在检测真实条件依赖关系方面表现出高统计功效。
• 该方法在真实脑电图（EEG）数据集中成功识别出具有生物学合理性的连接模式，能够区分酒精使用障碍患者与正常对照组。
• 双重去偏程序有效降低了精度矩阵估计中的偏差，使得即使在 $p$ 和 $q$ 随样本量增长的条件下，也能实现有效的推断。
• 理论结果表明，检验统计量以速率 $O_p((nq\log p)^{-1/2})$ 收敛，这支持了在高维设置下进行可靠推断。