[论文解读] Learning the Morphology of Brain Signals Using Alpha-Stable Convolutional Sparse Coding

Mainak Jas, Tom Dupré la Tour+2 more|arXiv (Cornell University)|May 22, 2017

Functional Brain Connectivity Studies被引用 31

一句话总结

本文提出 α-CSC，一种基于 α 稳定分布的随机卷积稀疏编码模型，用于从原始、含伪影的神经信号数据中学习时移不变的神经信号原子。通过利用重尾噪声建模和马尔可夫链蒙特卡洛期望最大化（MCEM）推理算法，α-CSC 在应对脉冲噪声和伪影方面表现出卓越的鲁棒性，即使在严重污染条件下，也能优于最先进方法，成功恢复复杂的神经现象（如交叉频率耦合）。

ABSTRACT

Neural time-series data contain a wide variety of prototypical signal waveforms (atoms) that are of significant importance in clinical and cognitive research. One of the goals for analyzing such data is hence to extract such 'shift-invariant' atoms. Even though some success has been reported with existing algorithms, they are limited in applicability due to their heuristic nature. Moreover, they are often vulnerable to artifacts and impulsive noise, which are typically present in raw neural recordings. In this study, we address these issues and propose a novel probabilistic convolutional sparse coding (CSC) model for learning shift-invariant atoms from raw neural signals containing potentially severe artifacts. In the core of our model, which we call $\\alpha$CSC, lies a family of heavy-tailed distributions called $\\alpha$-stable distributions. We develop a novel, computationally efficient Monte Carlo expectation-maximization algorithm for inference. The maximization step boils down to a weighted CSC problem, for which we develop a computationally efficient optimization algorithm. Our results show that the proposed algorithm achieves state-of-the-art convergence speeds. Besides, $\\alpha$CSC is significantly more robust to artifacts when compared to three competing algorithms: it can extract spike bursts, oscillations, and even reveal more subtle phenomena such as cross-frequency coupling when applied to noisy neural time series.

研究动机与目标

• 解决现有字典学习方法在捕捉复杂、时移不变的神经信号波形时的局限性，这些局限源于启发式设计以及对脉冲噪声的敏感性。
• 通过使用重尾 α 稳定分布对神经信号伪影进行建模，克服标准卷积稀疏编码（CSC）中高斯噪声假设的限制。
• 构建一个原则性、概率性的 CSC 框架，实现无需依赖人工伪影去除或模板初始化的神经信号原子鲁棒学习。
• 实现在传统方法失效的真实、噪声神经记录中发现细微神经现象（如交叉频率耦合）的能力。

提出的方法

• 构建基于 α 稳定分布的概率卷积稀疏编码（CSC）模型，用于建模具有重尾特征、更适合脉冲伪影的神经信号噪声。
• 开发一种马尔可夫链蒙特卡洛期望最大化（MCEM）推理算法，其中 E 步使用随机采样，M 步求解加权 CSC 问题。
• 在 M 步中引入加权 CSC 子问题，权重来自潜在变量的后验分布，从而实现在非高斯噪声下的鲁棒估计。
• 设计一种基于拟牛顿法的高效优化策略，用于求解加权 CSC 问题，相比基于 ADMM 的方法实现更快收敛。
• 对激活系数施加非负性约束，以反映神经事件（如动作电位）的物理现实。
• 在预处理阶段采用截断余弦窗和高通滤波，以减少真实神经数据中的边缘效应和基线漂移。

实验结果

研究问题

• RQ1 基于 α 稳定分布的概率 CSC 模型是否能提升在脉冲噪声和伪影存在下神经信号原子学习的鲁棒性？
• RQ2 α-CSC 在从真实世界噪声数据中恢复典型神经波形方面，与标准 CSC 及其他最先进算法相比表现如何？
• RQ3 α-CSC 在原始、未经清理的神经数据中揭示细微神经现象（如交叉频率耦合）的能力有多大？
• RQ4 在数据污染程度逐渐增加的情况下，α-CSC 中采用的重尾噪声建模是否相比基于高斯分布的模型能带来更稳定、更准确的原子恢复？
• RQ5 α-CSC 是否能在不依赖人工伪影去除或模板初始化的情况下学习到有意义的信号原子？

主要发现

• α-CSC 实现了最先进的收敛速度，即使未采用并行实现，也优于基于 ADMM 的算法。
• 在 20% 试验被污染的合成数据上，α-CSC 能成功恢复正确原子，而标准 CSC 无法收敛或产生劣质重构。
• 在无伪影的 LFP 数据上，当 α=2（退化为标准 CSC）时，α-CSC 恢复的尖峰样原子与 [8] 中的结果相当，且无需先验知识或模板初始化。
• 在含有强伪影的真实 LFP 数据集上，标准 CSC 在未经清理的数据上无法恢复有意义的原子，而 α-CSC（α=1.2）成功恢复了包括 80 Hz 振荡受 3 Hz 节律调制在内的典型波形。
• 基于 α-CSC 恢复原子计算的共调制图谱证实了交叉频率耦合的存在，展示了该方法揭示生物学相关现象的能力。
• α-CSC 在不同污染水平下均保持鲁棒性能，对瞬态伪影表现出显著的抗干扰能力，而标准 CSC 性能显著下降。