[论文解读] Source Separation and Higher-Order Causal Analysis of MEG and EEG

Kun Zhang, Aapo Hyvärinen|arXiv (Cornell University)|Mar 15, 2012

Blind Source Separation Techniques参考文献 17被引用 7

一句话总结

该论文提出了一种用于MEG/EEG数据自动源分离与因果连通性分析的两层模型，利用时变源方差（包络）和多变量GARCH模型揭示高阶依赖关系。该方法识别出有效连通性模式，揭示了在真实MEG数据中功能分组的源及其负向组间影响，以及关键连接源。

ABSTRACT

Separation of the sources and analysis of their connectivity have been an important topic in EEG/MEG analysis. To solve this problem in an automatic manner, we propose a two-layer model, in which the sources are conditionally uncorrelated from each other, but not independent; the dependence is caused by the causality in their time-varying variances (envelopes). The model is identified in two steps. We first propose a new source separation technique which takes into account the autocorrelations (which may be time-varying) and time-varying variances of the sources. The causality in the envelopes is then discovered by exploiting a special kind of multivariate GARCH (generalized autoregressive conditional heteroscedasticity) model. The resulting causal diagram gives the effective connectivity between the separated sources; in our experimental results on MEG data, sources with similar functions are grouped together, with negative influences between groups, and the groups are connected via some interesting sources.

研究动机与目标

• 解决MEG和EEG数据中自动源分离与有效连通性分析的挑战。
• 建模第二阶统计量未捕捉到的源之间依赖关系，重点关注源方差中的高阶时间动态。
• 通过其时变包络结构识别源之间的因果关系。
• 提供一种无监督、数据驱动的方法，从神经影像信号中揭示功能脑网络组织结构。
• 通过引入非高斯、时变的高阶依赖关系，超越传统独立成分分析（ICA）和二阶方法。

提出的方法

• 提出一种新颖的源分离技术，同时考虑源的自相关性和时变方差。
• 利用多变量GARCH框架对源的时变方差（包络）进行建模，以捕捉动态条件异方差性。
• 假设源在条件上不相关，但通过其包络动态相关，从而实现对高阶因果结构的检测。
• 通过多变量GARCH模型分析包络过程中的交叉依赖关系，识别因果关系。
• 利用所得因果图推断分离源之间的有效连通性。
• 将该方法分为两个阶段应用：首先进行源分离，然后从分离源的包络动态中进行因果发现。

实验结果

研究问题

• RQ1 如何在同时考虑时变方差和自相关性的前提下对MEG/EEG数据中的源进行分离？
• RQ2 大脑源之间除二阶相关性外，还存在哪些高阶统计依赖关系？
• RQ3 时变包络动态能否揭示神经活动中的因果关系？
• RQ4 功能脑网络如何从源包络变化的因果结构中涌现？
• RQ5 两层模型能否以合理且无监督的方式有效分离源并推断其有效连通性？

主要发现

• 所提出的方法成功实现了MEG源的分离，同时捕捉到了其方差中的非高斯、时变动态。
• 多变量GARCH模型通过包络过程有效识别出源之间的因果关系。
• 在真实MEG数据中，具有相似功能角色的源在因果网络中被分组在一起。
• 在功能分组的源簇之间观察到负向影响，表明存在抑制性相互作用。
• 识别出关键的“枢纽”源，这些源连接不同的功能组，表明其在区域间通信中的核心作用。
• 与传统二阶方法相比，该方法通过揭示隐藏在高阶统计依赖关系中的连通性模式，表现出更优性能。