[论文解读] Regularizing Solutions to the MEG Inverse Problem Using Space-Time Separable Covariance Functions

Arno Solin, Pasi Jylänki+4 more|arXiv (Cornell University)|Apr 17, 2016

Gaussian Processes and Bayesian Inference参考文献 66被引用 5

一句话总结

本文提出了一种用于脑磁图（MEG）的贝叶斯源重建方法，该方法在高斯过程框架内使用时空可分协方差函数对解进行正则化。通过利用协方差中的Kronecker结构，该方法实现了 𝒪(t³ + n³ + m²n) 的计算效率，从而获得准确且具有时空正则化的逆解，其性能超越了传统的MNE和LORETA等方法，同时整合了时间动态特性。

ABSTRACT

In magnetoencephalography (MEG) the conventional approach to source reconstruction is to solve the underdetermined inverse problem independently over time and space. Here we present how the conventional approach can be extended by regularizing the solution in space and time by a Gaussian process (Gaussian random field) model. Assuming a separable covariance function in space and time, the computational complexity of the proposed model becomes (without any further assumptions or restrictions) $\mathcal{O}(t^3 + n^3 + m^2n)$, where $t$ is the number of time steps, $m$ is the number of sources, and $n$ is the number of sensors. We apply the method to both simulated and empirical data, and demonstrate the efficiency and generality of our Bayesian source reconstruction approach which subsumes various classical approaches in the literature.

研究动机与目标

• 通过引入超越标准空间或时间独立性假设的时空先验，解决MEG逆问题的病态性质。
• 开发一种计算高效的贝叶斯框架，通过可分协方差函数联合在空间和时间上正则化源估计。
• 在一个统一的概率高斯过程模型中，统一并推广经典的MEG逆方法（如MNE、LORETA和束形成法）。
• 通过结构化先验同时利用空间平滑性和时间动态特性，实现高保真度的源重建。

提出的方法

• 该方法将神经元电流振幅建模为具有时空可分协方差函数的高斯过程，将完整协方差分解为空间和时间分量。
• 采用Kronecker积结构表示联合协方差，通过空间和时间协方差矩阵的特征分解实现高效计算。
• 利用向量化矩阵运算和Kronecker积的混合积性质计算后验均值，将计算负担降低至 𝒪(t³ + n³ + m²n)。
• 该方法使用结合空间平滑性（通过空间高斯过程）和时间动态性（通过时间高斯过程）的先验，其超参数从数据中学习。
• 通过贝叶斯推断推导解，其中后验均值被计算为传感器数据的线性组合，权重由时空核矩阵决定。
• 通过选择不同的空间和时间协方差函数形式，该方法可支持多种类型的正则化。

实验结果

研究问题

• RQ1 能否开发一种统一的贝叶斯框架，在计算高效的前提下，同时使用空间和时间先验对MEG源估计进行正则化？
• RQ2 与独立的空间或时间正则化相比，使用时空可分协方差函数在定位精度和时间保真度方面有何改进？
• RQ3 该方法在多大程度上能够推广或包含经典的MEG逆方法（如MNE、LORETA和束形成法）？
• RQ4 所提出方法的计算复杂度是多少？其能否扩展到具有高时空分辨率的真实MEG数据集？

主要发现

• 所提方法实现了 𝒪(t³ + n³ + m²n) 的计算复杂度，可在无需额外近似的情况下高效处理大规模MEG数据集。
• 该方法推广了经典方法：当为空间和时间协方差函数选择特定形式时，MNE和LORETA可作为特例出现。
• 该方法在模拟数据上成功重建了平滑和稀疏的源时间序列，相比标准方法表现出更高的定位精度。
• 在真实MEG数据上的实证结果表明，该方法能够捕捉到具有生理合理性的时序动态，如振荡性和瞬态神经活动，同时提升了空间分辨率。
• 使用可分协方差函数可在保持可计算性的同时完整建模时空依赖性，避免了对完整协方差矩阵求逆的需要。