[论文解读] Neural Connectivity with Hidden Gaussian Graphical State-Model

Deirel Paz-Linares, Eduardo Gonzalez-Moreira+4 more|arXiv (Cornell University)|Jan 1, 2018

Neural dynamics and brain function参考文献 89被引用 6

一句话总结

该论文提出了一种隐藏高斯图形状态模型（HIGGS），这是一种新颖的频域线性状态空间模型，结合了稀疏连接先验，可提升MEG/EEG中的非侵入性神经连接性估计。通过整合系统理论与贝叶斯信息理论，该方法减轻了由于体积导体效应引起的信号泄漏，展示了在人类SSVEP数据中准确重建连接性的能力，并在猴子身上实现了EEG与ECoG的并行验证。

ABSTRACT

The noninvasive procedures for neural connectivity are under questioning. Theoretical models sustain that the electromagnetic field registered at external sensors is elicited by currents at neural space. Nevertheless, what we observe at the sensor space is a superposition of projected fields, from the whole gray-matter. This is the reason for a major pitfall of noninvasive Electrophysiology methods: distorted reconstruction of neural activity and its connectivity or leakage. It has been proven that current methods produce incorrect connectomes. Somewhat related to the incorrect connectivity modelling, they disregard either Systems Theory and Bayesian Information Theory. We introduce a new formalism that attains for it, Hidden Gaussian Graphical State-Model (HIGGS). A neural Gaussian Graphical Model (GGM) hidden by the observation equation of Magneto-encephalographic (MEEG) signals. HIGGS is equivalent to a frequency domain Linear State Space Model (LSSM) but with sparse connectivity prior. The mathematical contribution here is the theory for high-dimensional and frequency-domain HIGGS solvers. We demonstrate that HIGGS can attenuate the leakage effect in the most critical case: the distortion EEG signal due to head volume conduction heterogeneities. Its application in EEG is illustrated with retrieved connectivity patterns from human Steady State Visual Evoked Potentials (SSVEP). We provide for the first time confirmatory evidence for noninvasive procedures of neural connectivity: concurrent EEG and Electrocorticography (ECoG) recordings on monkey. Open source packages are freely available online, to reproduce the results presented in this paper and to analyze external MEEG databases.

研究动机与目标

• 解决由于EEG/MEG中体积导体效应导致的非侵入性神经连接性估计中的关键信号泄漏问题。
• 开发一种将系统理论与贝叶斯信息理论整合到神经连接性建模中的形式化方法。
• 为MEEG数据中的高维频域稀疏神经连接性估计构建一个求解器。
• 通过非人灵长类动物中EEG与ECoG的并行记录验证该方法。
• 提供开源工具以确保可复现性，并支持对MEEG数据库的分析。

提出的方法

• HIGGS将神经活动建模为隐藏在MEEG观测方程之后的高斯图形模型（GGM）。
• 该模型被表述为一种具有连接矩阵稀疏诱导先验的频域线性状态空间模型（LSSM）。
• 通过贝叶斯推断来正则化连接性估计，减少体积导体引起的泄漏。
• 开发了一种高维求解器，以高效估计频域中的连接性。
• 该方法利用头部体积导体的前向模型，将神经电流投影到传感器空间。
• 通过求解一个约束优化问题来推断连接性，该问题强制执行稀疏性并保持与观测到的MEEG信号的一致性。

实验结果

研究问题

• RQ1 具有稀疏连接先验的频域状态空间模型是否能减少EEG/MEG连接性估计中的泄漏？
• RQ2 将系统理论与贝叶斯信息理论整合是否能提高非侵入性神经连接组的准确性？
• RQ3 HIGGS能否重建与同一受试者中侵入性记录的ECoG一致的连接性模式？
• RQ4 所提出的高维求解器是否对具有复杂体积导体效应的真实世界MEEG数据有效？
• RQ5 HIGGS能否在稳态视觉诱发电位（SSVEP）范式中产生可靠的连接性模式？

主要发现

• HIGGS显著减弱了由于头部体积导体异质性引起的EEG信号泄漏效应。
• 与传统方法相比，该模型在猴子的并行EEG与ECoG记录验证下，产生了更准确的神经连接组。
• 该方法在人类SSVEP数据的频域中展示了可靠的连接性模式恢复能力。
• 所提出的高维频域求解器能够高效且稳定地估计大规模神经系统中的稀疏连接性。
• 首次通过与同一非人灵长类动物中ECoG数据的直接对比，提供了非侵入性神经连接性的确认性证据。
• 开源实现已公开发布，可供复制使用，并可应用于外部MEEG数据集。