[论文解读] Multiscale Partial Information Decomposition of Dynamic Processes with Short and Long-range correlations: Theory and Application to Cardiovascular Control

Hélder Pinto, Riccardo Pernice+4 more|arXiv (Cornell University)|Apr 29, 2022

Heart Rate Variability and Autonomic Control参考文献 78被引用 15

一句话总结

本文提出了一种新颖的多尺度部分信息分解（M-PID）框架，采用向量自回归分数整合（VARFI）模型，量化从收缩压（S）和呼吸（R）到心周期（H）的定向信息流，同时考虑短期动态与长程相关性。该方法揭示，体位应激在短尺度上增加了冗余信息传递，而心理应激则在长尺度上增强了协同信息传递，表明应激反应具有不同的生理机制。

ABSTRACT

Heart rate variability results from the combined activity of several physiological systems, including the cardiac, vascular, and respiratory systems which have their own internal regulation, but also interact with each other to preserve the homeostatic function. These control mechanisms operate across multiple temporal scales, resulting in the simultaneous presence of short-term dynamics and long-range correlations. The Network Physiology framework provides statistical tools based on information theory able to quantify structural aspects of multivariate and multiscale interconnected mechanisms driving the dynamics of complex physiological networks. In this work, the multiscale representation of Transfer Entropy from Systolic Arterial Pressure (S) and Respiration (R) to Heart Period (H) and of its decomposition into unique, redundant and synergistic contributions is obtained using a Vector AutoRegressive Fractionally Integrated (VARFI) framework for Gaussian processes. This novel approach allows to quantify the directed information flow accounting for the simultaneous presence of short-term dynamics and long-range correlations among the analyzed processes. The approach is first illustrated in simulated VARFI processes and then applied to H, S and R time series measured in healthy subjects monitored at rest and during mental and postural stress. Our results highlight the dependence of the information transfer on the balance between short-term and long-range correlations in coupled dynamical systems, which cannot be observed using standard methods that do not consider long-range correlations. The proposed methodology shows that postural stress induces larger redundant effects at short time scales and mental stress induces larger cardiovascular information transfer at longer time scales.

研究动机与目标

• 开发一种能够捕捉生理网络中多尺度信息传递的短期动态与长程相关性的方法。
• 将部分信息分解（PID）扩展至心率、血压和呼吸等耦合生理过程的多尺度分析。
• 研究不同类型应激——体位应激与心理应激——如何影响心血管调控中信息传递的性质。
• 基于状态空间模型，提供信息度量的解析、参数化解决方案，实现在短时间序列上的可靠分析。

提出的方法

• 使用向量自回归分数整合（VARFI）模型，以同时体现多变量生理过程的短期动态与长程相关性。
• 应用状态空间模型理论，推导多尺度传递熵（TE）及其唯一、冗余与协同成分分解的解析表达式。
• 采用部分信息分解（PID）将S和R对H的联合信息传递分解为多个时间尺度下的唯一、冗余与协同贡献。
• 在VARFI模型中引入分数整合，以捕捉长程依赖性，扩展标准VAR模型。
• 通过时间尺度聚合，利用状态空间滤波推导TE与ITE（交互传递熵）的多尺度表示。
• 在模拟的VARFI过程中验证该方法后，将其应用于健康受试者在静息、心理应激和体位应激状态下采集的实验性H、S和R时间序列。

实验结果

研究问题

• RQ1 短期动态与长程相关性的平衡如何影响心血管调控系统中的信息传递？
• RQ2 在多个时间尺度上，从动脉压和呼吸到心周期的信息传递中，冗余与协同的贡献分别是什么？
• RQ3 不同类型应激——心理应激与体位应激——如何影响心血管网络中信息传递的性质与尺度？
• RQ4 基于VARFI与状态空间模型的参数化、解析框架能否可靠估计短生理时间序列中的多尺度信息分解？

主要发现

• 体位应激在短时间尺度（0.5–2秒）显著增加了S和R到H的冗余信息传递，表明控制机制更具同步性、更低分化。
• 心理应激在长时间尺度（4–8秒）导致更大的协同信息传递，表明输入通过协同整合实现自适应调节。
• 所提出的M-PID结合VARFI模型成功捕捉了短期与长程相关性之间的相互作用，而标准方法无法检测到该现象。
• 该方法揭示了应激的显著生理特征：体位应激偏好冗余，而心理应激偏好协同的信息处理模式。
• 通过状态空间模型的解析推导，即使在短时间序列上也能实现多尺度信息度量的精确且高效计算。
• 该框架表明，长程相关性显著调制信息传递的结构，而忽略该因素则会使这种结构特征被掩盖。