[论文解读] Modeling Dynamic Functional Connectivity with Latent Factor Gaussian Processes

Lingge Li, Dustin Pluta+4 more|arXiv (Cornell University)|May 24, 2019

Functional Brain Connectivity Studies参考文献 16被引用 12

一句话总结

该论文提出了一种潜在因子高斯过程（LFGP）模型，通过将对数协方差矩阵建模为低秩高斯过程，实现对神经时间序列中动态功能连接（DFC）的稳健、概率性推断与可视化。该模型应用于大鼠海马区局部场电位（LFP）数据，在非空间记忆任务中揭示了区分不同刺激的DFC模式，其在潜在空间中的分类准确率高达87.12%，证明了基于LFP的刺激区分能力。

ABSTRACT

Dynamic functional connectivity, as measured by the time-varying covariance of neurological signals, is believed to play an important role in many aspects of cognition. While many methods have been proposed, reliably establishing the presence and characteristics of brain connectivity is challenging due to the high dimensionality and noisiness of neuroimaging data. We present a latent factor Gaussian process model which addresses these challenges by learning a parsimonious representation of connectivity dynamics. The proposed model naturally allows for inference and visualization of time-varying connectivity. As an illustration of the scientific utility of the model, application to a data set of rat local field potential activity recorded during a complex non-spatial memory task provides evidence of stimuli differentiation.

研究动机与目标

• 解决在高维、噪声较大的神经影像数据（尤其是局部场电位LFP）中可靠估计动态功能连接（DFC）的挑战。
• 通过引入具有不确定性量化能力的完整贝叶斯框架，克服滑动窗口法和HMM等非概率DFC方法的局限性。
• 通过时间可变协方差的低维潜在因子表示，实现对DFC动态的可视化与科学解释。
• 展示该模型检测与特定实验条件相关联的连接差异（如在非空间记忆任务中不同感觉刺激引发的差异）的能力。
• 通过引入协变量并实现跨被试聚合，为fMRI和放电活动等多种神经影像模态提供可扩展且灵活的框架。

提出的方法

• 使用潜在因子结构对多变量非平稳时间序列的对数协方差矩阵进行建模，其中每个协方差元素均为高斯过程（GP）潜在因子的线性组合。
• 应用对数欧几里得度量，将对称正定（SPD）协方差矩阵映射到欧几里得空间，从而实现对协方差矩阵上三角部分的无约束GP建模。
• 采用具有平方指数核的GP先验来建模随时间变化的潜在因子，其长度尺度超参数可基于相关频带的先验科学知识进行设定。
• 通过马尔可夫链蒙特卡洛（MCMC）进行贝叶斯推断，以估计潜在因子和连接动态的后验分布，实现不确定性量化。
• 通过将潜在轨迹投影到低维空间并比较不同实验条件下其演化过程，实现对DFC动态的可视化。
• 通过在MCMC后验潜在轨迹样本上训练分类器（逻辑回归、k-NN、SVM），量化刺激区分能力，以分类准确率为连接差异性的代理指标。

实验结果

研究问题

• RQ1 全概率模型能否在噪声大、高维的LFP数据中检测到动态功能连接（DFC）的存在？
• RQ2 在非空间记忆任务中，不同实验刺激是否在大鼠海马区引发独特的DFC模式？
• RQ3 LFGP模型的潜在因子结构在捕捉和可视化连接动态的时间演化方面表现如何？
• RQ4 与滑动窗口法和HMM等传统方法相比，LFGP模型在捕捉与刺激相关的连接模式方面表现如何？
• RQ5 该模型的潜在空间表示在多大程度上能够支持基于神经连接动态对不同刺激进行分类？

主要发现

• LFGP模型在大鼠海马区LFP数据中提供了动态功能连接存在的强有力统计证据，后验推断证实了协方差过程的非平稳性。
• 不同气味刺激的潜在轨迹在刺激呈现后约250ms开始分叉，与气味识别的行为证据一致，且在刺激呈现结束时趋于收敛。
• 基于后验潜在轨迹对气味身份的分类准确率达到87.12%（使用k-最近邻分类器），显著高于随机水平，表明存在显著不同的连接动态。
• 基于HMM的方法虽通过AIC确定了8个状态，但未能捕捉到气味B与C试验中状态比例的有意义差异，表明其无法可靠建模与刺激相关的DFC。
• LFGP估计的中位协方差矩阵在时间上表现出平滑、符合生物学特性的动态变化，优于HMM的突变式过渡和滑动窗口法的噪声估计。
• 该模型通过GP长度尺度参数整合科学先验，能够针对性分析特定频带的连接性，显著提升了与神经生理过程的可解释性和相关性。