[论文解读] Interaction patterns of brain activity across space, time and frequency. Part I: methods

Roberto D. Pascual‐Marqui, Rolando J. Biscay-Lirio|arXiv (Cornell University)|Mar 15, 2011

Functional Brain Connectivity Studies参考文献 11被引用 13

一句话总结

本文提出了一种功能数据分析框架，用于识别跨多个时间延迟和频率的脑活动中的时空功能连接模式。通过将受试者数据向量化并连接成高维矩阵，该方法应用奇异值分解（SVD）和独立成分分析（ICA），以揭示潜在的功能网络，从而实现对超越标准ICA方法的动态、频带特异性脑相互作用的发现。

ABSTRACT

We consider exploratory methods for the discovery of cortical functional connectivity. Typically, data for the i-th subject (i=1...NS) is represented as an NVxNT matrix Xi, corresponding to brain activity sampled at NT moments in time from NV cortical voxels. A widely used method of analysis first concatenates all subjects along the temporal dimension, and then performs an independent component analysis (ICA) for estimating the common cortical patterns of functional connectivity. There exist many other interesting variations of this technique, as reviewed in [Calhoun et al. 2009 Neuroimage 45: S163-172]. We present methods for the more general problem of discovering functional connectivity occurring at all possible time lags. For this purpose, brain activity is viewed as a function of space and time, which allows the use of the relatively new techniques of functional data analysis [Ramsay & Silverman 2005: Functional data analysis. New York: Springer]. In essence, our method first vectorizes the data from each subject, which constitutes the natural discrete representation of a function of several variables, followed by concatenation of all subjects. The singular value decomposition (SVD), as well as the ICA of this new matrix of dimension [rows=(NT*NV); columns=NS] will reveal spatio-temporal patterns of connectivity. As a further example, in the case of EEG neuroimaging, Xi of size NVxNW may represent spectral density for electric neuronal activity at NW discrete frequencies from NV cortical voxels, from the i-th EEG epoch. In this case our functional data analysis approach would reveal coupling of brain regions at possibly different frequencies.

研究动机与目标

• 开发一种通用方法，用于识别脑活动中的功能连接，同时考虑所有可能的时间延迟。
• 通过整合功能数据分析技术，将传统基于ICA的连接性分析扩展为连续时空函数的分析。
• 将脑活动建模为时空和频率的函数，以实现对频带特异性耦合模式的检测。
• 提供一个统一的框架，适用于多种神经影像模态，包括EEG频谱密度和fMRI时间序列。
• 通过保留神经生理数据的完整时间与频谱结构，提升对潜在功能网络的检测能力。

提出的方法

• 该方法将每位受试者的脑活动表示为大小为NV × NT（体素 × 时间点）的矩阵，并将其向量化为长度为NT × NV的单行向量。
• 将所有受试者的向量化数据连接成一个大小为(NT × NV) × NS的大矩阵，其中NS为受试者数量。
• 对该连接矩阵应用奇异值分解（SVD），以提取主要的时空方差模式。
• 随后在相同矩阵上执行独立成分分析（ICA），以识别统计独立的功能网络。
• 通过将频率分箱的活动视为频率、时间与空间的函数，该方法将框架扩展至谱数据（如EEG功率谱）。
• 该框架可实现对任意时间延迟和频带的功能连接模式识别，不受零延迟或固定频带窗口的限制。

实验结果

研究问题

• RQ1 如何在神经影像数据中对所有可能的时间延迟建模功能连接？
• RQ2 哪些方法能够检测在不同频带间变化的脑网络相互作用？
• RQ3 功能数据分析技术是否能提升对多受试者神经影像数据中时空模式的检测能力？
• RQ4 受试者数据的向量化与连接过程如何保留并揭示动态连接模式？
• RQ5 与标准ICA相比，该框架在分析具有复杂时间与频谱结构的脑活动时具有哪些优势？

主要发现

• 所提出的方法成功揭示了使用标准ICA（零延迟假设）无法检测到的时空功能连接模式。
• 对连接后的向量化数据应用SVD与ICA，可识别出反映脑区间随时间协调活动的潜在功能网络。
• 该框架能够检测EEG谱数据中的频带特异性耦合，揭示不同频率下脑区间之间的相互作用。
• 通过将脑活动建模为时空与频率的函数，该方法捕捉到了超越静态或零延迟连接的动态相互作用。
• 该方法提供了一个统一的分析框架，适用于多种神经影像模态（包括fMRI与EEG），显著提升了对复杂网络动态的敏感性。