[论文解读] Modeling Brain Connectivity with Graphical Models on Frequency Domain

Xu Gao, Weining Shen+4 more|arXiv (Cornell University)|Oct 8, 2018

Blind Source Separation Techniques参考文献 19被引用 4

一句话总结

该论文提出了一种基于EEG数据在频域中的高斯图模型框架，用于脑连接性分析，采用Lasso正则化的惩罚似然法估计稀疏精度矩阵。该方法有效捕捉了皮层区域之间的振荡依赖关系，模拟与真实EEG数据均显示稳健且稀疏的连接模式，与神经生物学文献一致。

ABSTRACT

Multichannel electroencephalograms (EEGs) have been widely used to study cortical connectivity during acquisition of motor skills. In this paper, we introduce copula Gaussian graphical models on spectral domain to characterize dependence in oscillatory activity between channels. To obtain a simple and robust representation of brain connectivity that can explain the most variation in the observed signals, we propose a framework based on maximizing penalized likelihood with Lasso regularization to search for the sparse precision matrix. To address the optimization problem, graphical Lasso, Ledoit-Wolf and sparse estimation of a covariance matrix (SPCOV) algorithms were modified and implemented. Simulations show the benefit of using the proposed algorithms in terms of robustness and small estimation errors. Furthermore, analysis of the EEG data in a motor skill task conducted using algorithms of modified graphical LASSO and Ledoit-Wolf, reveal a sparse pattern of brain connectivity among cortices which is consistent with the results from other work in the literature.

研究动机与目标

• 使用一种能考虑非高斯振荡活动的统计框架，对多通道EEG数据进行脑连接性建模。
• 通过估计稀疏精度矩阵以突出显著的功能连接，应对高维、噪声EEG数据的挑战。
• 开发并比较改进的优化算法——图Lasso、Ledoit-Wolf与SPCOV，以实现脑连接性的稳健且高效估计。
• 在模拟数据与真实EEG记录（来自运动技能任务）上验证所提框架，确保方法的可靠性。

提出的方法

• 应用高斯图Copula模型将非高斯EEG信号转换到潜高斯空间，保留依赖结构的同时支持多元正态建模。
• 采用EEG信号的频域表示，分析皮层通道间的振荡活动，重点关注谱功率与相位关系。
• 在精度矩阵上实施带Lasso正则化的惩罚对数似然目标函数，以强制实现稀疏性并减少过拟合。
• 针对高维、小样本条件，对三种优化算法（图Lasso、Ledoit-Wolf与SPCOV）进行适应与改进，以实现稀疏协方差估计。
• 采用经验累积分布函数（ECDF）估计Copula变换中的逆边际CDF，实现对非高斯数据的处理。
• 通过迭代收缩与软阈值化技术求解优化问题，确保收敛至稀疏且稳定的精度矩阵估计。

实验结果

研究问题

• RQ1 高斯图Copula模型能否有效在频域中对非高斯EEG信号建模，以推断脑连接性？
• RQ2 Lasso正则化的图模型与现有方法相比，在从EEG数据中估计稀疏且稳健的脑连接矩阵方面表现如何？
• RQ3 改进的图Lasso、Ledoit-Wolf与SPCOV算法在模拟与真实EEG数据上的估计精度与计算效率表现如何？
• RQ4 所提方法是否能恢复出与运动任务期间已知功能网络一致的生物上合理的连接模式？

主要发现

• 在模拟中，改进的图Lasso与Ledoit-Wolf算法的均方根误差（2.72×10⁻⁵ 与 5.17×10⁻⁵）和熵损失（0.232 与 0.180）显著低于SPCOV（8.20×10⁻⁵ 与 0.700）。
• 在随机模型与聚类模型中，图Lasso与Ledoit-Wolf在准确度与鲁棒性方面均优于SPCOV，估计误差更低，且更完整地保留了真实连接结构。
• Ledoit-Wolf算法的执行时间显著更短（随机模型中平均为0.007秒），远快于图Lasso（0.400秒）与SPCOV（0.152秒），表明其计算效率更优。
• 真实EEG数据分析揭示了皮层区域间稀疏且符合生物学意义的连接模式，四个显著的功能簇表现出强烈的区域间关联。
• 图Lasso与Ledoit-Wolf估计的连接矩阵在模拟中与真实底层结构高度一致，可视化结果与真实情况高度吻合。
• 真实数据结果与先前文献一致，证实运动任务期间的功能脑网络呈现稀疏且区域特异性的连接模式，验证了该方法的生物学相关性。