[论文解读] Measuring the functional connectome "on-the-fly": towards a new control signal for fMRI-based brain-computer interfaces

Ricardo Pio Monti, Romy Lorenz+3 more|arXiv (Cornell University)|Feb 8, 2015

Functional Brain Connectivity Studies参考文献 47被引用 3

一句话总结

本文提出 rt-SINGLE，一种用于从 fMRI 数据中实时估计动态功能连接网络的算法，通过将 SINGLE 方法适配于稀疏、时间同质的网络。该方法可实现对任务和刺激诱导的脑网络结构变化的快速检测，展示了其在下一代基于 fMRI 的脑-计算机接口中，以全脑连接作为控制信号的可行性。

ABSTRACT

There has been an explosion of interest in functional Magnetic Resonance Imaging (MRI) during the past two decades. Naturally, this has been accompanied by many major advances in the understanding of the human connectome. These advances have served to pose novel challenges as well as open new avenues for research. One of the most promising and exciting of such avenues is the study of functional MRI in real-time. Such studies have recently gained momentum and have been applied in a wide variety of settings; ranging from training of healthy subjects to self-regulate neuronal activity to being suggested as potential treatments for clinical populations. To date, the vast majority of these studies have focused on a single region at a time. This is due in part to the many challenges faced when estimating dynamic functional connectivity networks in real-time. In this work we propose a novel methodology with which to accurately track changes in functional connectivity networks in real-time. We adapt the recently proposed SINGLE algorithm for estimating sparse and temporally homo- geneous dynamic networks to be applicable in real-time. The proposed method is applied to motor task data from the Human Connectome Project as well as to real-time data ob- tained while exploring a virtual environment. We show that the algorithm is able to estimate significant task-related changes in network structure quickly enough to be useful in future brain-computer interface applications.

研究动机与目标

• 开发一种用于在 fMRI 中实时估计动态功能连接网络的方法，突破传统基于单个区域 ROI 的神经反馈限制。
• 解决在闭环脑-计算机接口（BCI）应用中，快速估计随时间演变的稀疏功能网络的挑战。
• 在任务相关 fMRI 数据和实时虚拟环境探索中验证该方法，证明其对功能网络变化的敏感性。
• 提供一种计算高效的解决方案，可在每个时间点报告更新后的功能连接网络，适用于实时反馈。

提出的方法

• 将原始用于离线、稀疏、时间同质网络估计的 SINGLE 算法，通过使用自适应遗忘因子的递归估计方法，适配为实时运行。
• 采用加权移动平均的递归更新方法，对样本均值和协方差矩阵进行更新，遗忘因子随时间自适应调整。
• 使用基于对数似然的目标函数，并引入不可导的惩罚项，通过关于遗忘因子的导数计算进行近似。
• 应用 Sherman-Woodbury 公式，高效更新精度矩阵的逆，避免在每一步中进行完整的矩阵求逆。
• 通过对方程对遗忘参数求导，推导出自适应遗忘因子的解析梯度，实现在线优化。
• 采用分块更新策略，在保持计算效率的同时确保对网络变化的准确追踪。

实验结果

研究问题

• RQ1 实时算法能否以足够快的速度从 fMRI 数据中准确估计动态功能连接网络，以满足 BCI 应用需求？
• RQ2 所提出的方法在多大程度上能够追踪由运动任务或环境刺激引起的快速功能连接变化？
• RQ3 rt-SINGLE 算法在实时约束下，能否保持对稀疏、时间同质网络的高估计算准确性？
• RQ4 该方法能否检测到对外部刺激（如视觉环境亮度变化）引起的具有功能相关性的网络重配置？
• RQ5 该算法的计算成本如何？是否适合在实时神经反馈系统中部署？

主要发现

• rt-SINGLE 算法成功检测到来自人类连接组计划数据中运动任务期间的功能连接变化，证实其对神经网络动态的高度敏感性。
• 在实时虚拟环境研究中，该算法准确报告了白天条件下激活的网络边，证明其对外部刺激的响应能力。
• 模拟结果表明，rt-SINGLE 能够有效追踪随时间变化的协方差结构，保持动态网络估计的高精度。
• 该方法实现了实时性能，每个时间点均报告网络估计结果，满足闭环 BCI 系统对低延迟的要求。
• 计算成本可控，通过高效的递归更新实现实时运行，无需在每一步中进行完整的矩阵求逆。
• 与标准滑动窗口相关性方法相比，该方法在检测细微、任务调制的连接变化方面表现更优，尤其在稀疏网络配置中。