文摘

独立分量分析(ICA)是一种强大的源分离方法,用于分解EEG、MRI和并发EEG-fMRI数据。ICA自然不适合画组推论,因为它不是一个简单的问题来识别和秩序组件在个人。对于这个问题,一个解决方案是创建包含观察从所有科目的汇总数据,估计一套组件然后back-reconstruct个人数据。在这里,我们描述了这样一个事件组级别颞ICA模型相关的脑电图。当用于脑电时间序列分析,组件的精度检测和back-reconstruction与一组模型依赖于内部的程度和个人间的时间和锁相脑电图过程相关的事件。我们说明这个依赖在一组混合组成的三个模拟与事件相关的数据源的数据分析了不同程度的延迟抖动和可变地形。重建精度测试的时间抖动1、2和3次来源的应用的算法。结果表明,集团ICA对单个试验的分解与生理来说是足够的抖动,并重建事件相关的来源与精度高。

1。介绍

事件相关的大脑反应的简单认知任务由多个动态,暂时和区域重叠,功能可分子过程添加到现有的振荡背景活动(1- - - - - -5]。换句话说,时空上与事件相关的流程是整个大脑,混合和头皮脑电图样本volume-conducted,空间退化版的反应,可能在任何位置和延迟可以被认为是多个独立来源的混合物,源于大规模同步领域潜力(6,7]。探索trial-to-trial可变性的这些反应提供了重要线索认知过程的动力学和适应性2,6,8- - - - - -10]

一个强大和越来越受欢迎的方法,允许分解的脑电图数据和评估单一试验变化盲源分离与独立分量分析(ICA)。ICA算法解决一个二维空间的线性混合的问题,和/或暂时独立的来源(11,12]。ICA模型时空数据的线性组合地图和timecourses而试图最大化之间的统计独立性地图(空间ICA,西卡)或时间课程(颞ICA,行业的)。高斯混合方法具有普遍适用性,对心理生理和神经成像数据已成功用于平均erp (13),单一审判脑电图(6,7,14),结构和功能磁共振成像(15),最近也在EEG-fMRI集成(16- - - - - -22]。数据分析工具与ICA实现例如在学术免费工具箱EEGLAB [23],ICALAB [24和礼物15,25在Matlab运行),以及独立包FSL-MELODIC [26]。

基本ICA模型适用于单一主题数据,因此一个固有的限制使用ICA在典型的多种学科/会话脑电图研究自然是这种方法不适合推广结果的主题。这是因为英格尔从单独的运行或参与者用不同的顺序会产生不同的组件和扩展需要匹配在数据集允许集团的推论。这是相较于集团的直接的方法推断,例如,ERP组件平均选择渠道和延迟的一般线性模型(27,28]。因此,需要结合各个组件的方法,推断是显而易见的。有两个匹配的策略,允许独立的组件在个人:一个是把个人ICs跨科目和集群技术(7,29日- - - - - -31日]。集群通常涉及选择合适的算法和感兴趣的特性,也就是说,地形、timecourse,光谱等等的主客体之间通讯的组件。这需要额外的假设数据和专家用户输入,算法和特征选择的差异,以及用户偏好可以创建模棱两可的结果。或者,更简洁的方法是创建聚合数据包含观察对象,直接估计组件始终表示人口的一套ICs然后back-reconstruct估计组件的个人数据。这种方法目前主要被用于空间ICA的功能磁共振成像(25,26,32]。我们最近采用一组平行和关节分解的ICA方法并发EEG-fMRI录音(21,22,33]。在这里,我们提出一个组级别颞ICA模型基于卡尔豪提出的基本原理等。25]的实验分析EEG timeseries相关的事件,我们还在工具箱实现EEGIFT,是心灵可以从研究网络的医学图像分析实验室的网页http://icatb.sourceforge.net/gift/eegift_startup.php随着数据集的文档和教程。EEGIFT运行在Matlab(纳蒂克,Mathworks MA),并采用预处理数据从EEGLAB23),一个受欢迎的免费工具箱可以下载从脑电图处理http://sccn.ucsd.edu/eeglab/。

为了使组件估计计算可行,我们采用数据简化使用主成分分析(PCA)。组件的数量估计的数据可以基于最小描述长度(34)原则(MDL)或其他维数的估计。由于聚合和数据简化与PCA前组件估计,ICA的脑电图时域数据优先适合的检测组件,导致与事件相关电位。过程没有时间/锁相内和跨科目,如背景节奏不能令人满意的重建,在这些情况下数据的转换到频域之前ICA分解是有用的35]。时间域数据的准确性,组件检测和back-reconstruction与一组模型依赖于内部的程度和inter-individual时间和锁相脑电图过程相关的事件。类似于早期研究发现ERP PCA分解的平均(36,37),过多的延迟抖动导致单一来源分裂成两个(或更多)独立的组件代表源及其近似时间导数(21]。这里,我们说明这个依赖分析,20国集团组成的混合数据集模拟与事件相关的三个来源具有不同程度的延迟抖动,混合着真正的脑电图数据来自20个科目,参加了一个被动的听实验。并不是微不足道的恢复有关ERP的可靠估计延迟抖动的脑电图数据,我们假设从文献检索和未发表的观察在我们的实验室,单审判高峰延迟较大的组件,如听觉N1和P3不同约20 - 40 ms2,大致相当于半宽度(应用这些组件(相比之下,看到的,例如,(8])。我们测试了重建精度(RA),表示为来源的方差占重建IC(而言 2 为延迟抖动)1、2和3倍的平均应用Infomax来源,艾丽卡,玉,fastICA, SIMBEC算法实现等礼物和EEGIFT。

2。方法

2.1。组织行业的

集团ICA模型分为底层数据生成和混合过程,录音,预处理,减少组件估计和back-reconstruction(示意图见图1)。我们假设头皮脑电图信号包含统计独立的高斯混合非高斯源timeseries ( ) = ( 1 ( ) , 2 ( ) , … , ( ) ] 所示 ( ) 在时间 为 th来源 来源。来源有重量,指定每个计算的贡献。权重乘以每个源的固定地形。其次,它假定 来源是线性混合,因此一个特定的时间点包含一个加权的混合来源。源的线性组合是由未知的混合系统 在哪里 ( ) = ( ) 在哪里 ( ) = ( 1 ( ) , 2 ( ) , … , ( ) ] 和代表 理想的信号样本 ( ) 在时间 , 源在大脑中。头皮上的电活动结果的采样 ( ) = ( 1 ( ) , 2 ( ) , … , ( ) ] 脑电图采样在哪里 时间点, ∈ { 1 , 2 , … , } 。一组可能的转换在预处理过程中,如采样,将采样和过滤确定有效 ( ) = ( 1 ( ) , 2 ( ) , … , ( ) ] 有效时间采样的索引 = 1 , 2 , … , 。


图1
ICA。在集团ICA模型中,我们假设EEG是一个线性的混合物在每个主题暂时独立的来源 ( ) 。源的线性组合是由未知的混合矩阵 大脑活动,收益率的理想样本u (t)和信号记录脑电图放大器 ( ) 。转换 ( ) 在预处理包含过滤、时代产物拒绝,个人ICA减少额外的人工制品等等,改变有效时间采样和数据的维数 ( ) 。分别对每个人来说,单一试验数据预处理pre-whitened和减少 通过主成分分析。组数据是由连接各个主成分的综合数据集 。执行时间ICA在这个集合中,估计总组件 ( ) 。从聚合组件,个人数据重建(有关详细信息,请参阅文本)。
2.2。数据简化

分别为每个单独的,预处理的试验数据 ( ) 通过PCA pre-whitened和减少(图 1 , 1 − 1 , … , − 1 )包含的主要比例的方差N的timecourses无关 ( ) = ( 1 ( ) , 2 ( ) , … , ( ) ] 。PCA美白先决条件的数据,并简化了ICA估计由于正交投影,减少复杂性,以及去噪、压缩数据,从而减少计算负荷。组数据是由连接各个主成分的综合数据集 。在细节,让 = − 1 是 - - - - - - - - - - - - 从主体降低数据矩阵 在哪里 是 - - - - - - - - - - - - 数据矩阵包含预处理脑电图时代从所有频道, − 1 是 - - - - - - - - - - - - 降低矩阵的主成分分解, 是时间点的数量(每个时代*试验样品), 头皮通道的数量, 是通道尺寸的大小减少。下一步是减少数据从所有科目合并到一个矩阵,减少这个矩阵 组件的数量估计。的 - - - - - - - - - - - - 减少,连接矩阵的 主题是 = − 1 ⎡ ⎢ ⎢ ⎢ ⎣ 1 − 1 1 ⋮ − 1 ⎤ ⎥ ⎥ ⎥ ⎦ , ( 1 ) 在哪里 − 1 是一个 - - - - - - - - - - - - 减少从第二个PCA分解和矩阵乘以在右边的 - - - - - - - - - - - - 连接数据矩阵 科目。

2.3。ICA估计

这个想法是为了找到混合矩阵 和计算 来源。连接后的各个主成分综合数据集 ,这个矩阵分解 ,估计最优混合矩阵的逆 ,一套timecourses来源 ( ) 。后 估计,我们可以写 = ,在那里 是 - - - - - - - - - - - - 混合矩阵和 是 - - - - - - - - - - - - 组件timecourses。用这个表达式代替 到(1),双方乘以 结果 ⎡ ⎢ ⎢ ⎢ ⎣ = 1 − 1 1 ⋮ − 1 ⎤ ⎥ ⎥ ⎥ ⎦ 。 ( 2 )

2.4。分区和单一学科重建

分区矩阵 按主题提供了以下表达式 ⎡ ⎢ ⎢ ⎢ ⎣ 1 ⋮ ⎤ ⎥ ⎥ ⎥ ⎦ ⎡ ⎢ ⎢ ⎢ ⎣ = 1 − 1 1 ⋮ − 1 ⎤ ⎥ ⎥ ⎥ ⎦ 。 ( 3 ) 然后,我们为话题写方程 工作只有元素分区 上述矩阵等 = − 1 。 ( 4 ) 矩阵 在(4)包含单一主体组件timecourses主题 ,从下列方程计算 = − 1 − 1 。 ( 5 ) 我们现在两边的4) 和写 ≈ ( 6 ) 从主题的ICA分解的数据 矩阵中包含 。的 - - - - - - - - - - - - 矩阵 包含了 组件timecourses, - - - - - - - - - - - - 矩阵 收益率是单一主题混合矩阵,头皮地图 组件。

2.5。代的混合数据

在这个仿真,20相互不相关的混合脑电图数据集生成包含63个频道,256年时间点和500年的试验。三个变量与事件相关的来源(S1-S3)和地形数据集与真正的脑电图数据喜忧参半对面20个参与者从一个不相关的研究。对于每一个单一的试验,一个事件相关的响应(ERR)模拟了两个高斯函数(7)。 E R R = 1 − ( ( − ) / 3 1 ) 2 − 2 3 2 − ( ( − ) / 2 2 ) 2 。 ( 7 ) 的振幅 1 和 2 不同的随机和独立于0.5 - -2.5和宽度 1 和 2 从0.5 - -1.5,引入额外的犯错的抖动幅度和形状。延迟抖动是一个相关的可变性来源单一的试验,影响分量估计的准确性(21,36,37]。三源模拟有重叠峰延迟和延迟变化(“主题”) 在一系列的20个样品吗 年代 1 犯错的对应的半最大值宽度40样本(2应用 年代 2 ,60个样本(3应用 年代 3 。用随机相位和振幅调制正弦波此外作为背景活动到每个输入源。在单个数据集的平均峰值延迟每个源数据集是由20个不同的样本(之间-“主题”)。对于每一个源,头皮分布偶极地图生成覆盖六个通道(63),有50%的重叠S1-S2, S2-S3,分别。在数据集,每个源系统不同的位置。这些来源是归一化单位方差,混合着真正规范化脑电图数据与来自20个参与者相同的维数。由此产生的混合数据图的上半部分所示2两个数据集。


图2
混合数据。图中显示两个混合地形数据集有三个来源 ( ) 和timecourses ( ) 上,与真正的脑电图的混合来源 ( ) 在 ( ) ,重建后的来源组ICA ( , ) 在 ( ) 部分。
2.6。独立分量分析

为了生成一个参考价值集团ICA的性能我们计算个别EEGLAB ICA解决方案为每个数据集,采用Infomax算法(38]。集团ICA,所有科目进行分析,主成分分析(PCA)是用于压缩允许要处理的数据集在一起。组件的数量估计通过奇异值分解的数据和生成的特征值传递给MDL方法(34]。这里我们选择20组件前20名的组件通常超过95%的方差解释数据。在我们的经验中,准确的选择组件的数量并不严重影响结果,只要这个号码不是远小于真实数量的来源。在主成分分析的步骤,数据从每个数据集空间维度,减少。从渠道的数量20个主成分,学科之间连接,再一次减少到20组件。颞ICA当时使用Infomax算法执行(38]随后back-reconstruction成单个主题。为了评估重建精度集团ICA估计不同数量的组件,我们估计10的解决方案,使用Infomax 20、30、40、50组件。算法之间的比较,我们也估计解决方案使用fastICA [39,玉40],SIMBEC [41和艾丽卡42)算法。重建的准确性集团ICA表示所模拟的来源的方差占重建ICs平均在20个数据集 ( 2 ) 分别为整个单一试验图像,周围的振幅调制在试验组件高峰延迟(平均在20个样本窗口),平均timeseries组件,和地形(表1)。结果两个混合数据集与地形和时间变量表示的三个来源如图2。

表1
重建精度。表总结了重建精度(RA,意味着在数据集±S.E.M.)不同组的ICA模型。RA代表ICs的可变性来源占的比例平均在20个数据集,并计算分别为整个单一试验图像,周围的振幅调制在试验组件高峰延迟,平均timeseries组件,和地形。
2.7。应用程序的真实数据

除了量化模型的性能,我们说明了ICA的上下文中典型记录条件和预处理步骤,我们采用分解的听觉古怪的数据集。32名健康被试参加了实验后提供知情同意的书面声明。参与者坐在一个electro-magnetically屏蔽和sound-attenuated测试室(雷恩佛EMC系统、维冈、英国),配备61 Ag / AgCl头皮电极安装在一个弹性帽(Breitenbrunn EasiCap,福尔克米服务,德国)和两个额外的通道监测眼球运动。所有通道都是引用的鼻子,和阻抗保持低于10 kΩ。脑电图记录不断的带通采样频率为500赫兹。01 - 250 Hz BrainAmp直流放大器(BrainProducts,慕尼黑,德国)。实验是检测一个罕见的目标声音在一系列频繁的普通声音和参与者被要求回应尽快与他们的右手食指按下一个按钮。标准刺激center-panned 500 Hz的语气,目标刺激了或right-panned位置偏差者,分别。目标为每个位置发生概率为0.1。刺激持续时间是75 ms, inter-stimulus间隔是700 ms,没有重复的目标。所有刺激了约65分贝以上的阈值。 EEGs were down-sampled to 250 Hz, filtered with a zero-phase Butterworth filter from 1–45 Hz, and re-referenced to common average reference. In the example application, the data were segmented from −800 to 1200 ms around target stimuli and thus contain a sequence of standard-target-standard sounds, to dissociate between obligatory stimulus-related and target-related components, respectively. Trials with amplitudes exceeding ± 1 5 0 μV的渠道被排除在进一步分析。连接一扫周围目标开始受到单一主题Infomax ICA在EEGLAB [23在MATLAB运行。组件与地貌和timecourses attributeable工件识别和移除的数据(43]。对于每个数据集,我们从数据中提取20组件基于MDL方法。失踪的试验与均值从周围的衬垫试验在试验因为有渐进的变化。Single-trials是另外去噪的小波滤波器(44]。此后,集团ICA计算,估计20组件。

3所示。结果

重建精度(RA)对所有分析总结了表1。个人ICA改造源timecourses,近乎完美的准确性和独立的延迟抖动,地形是恢复的精度约为0.9。RA组ICA模型整体收益率低于个人ICA,接近个人ICA S1,在整个源timecourse重建0.86平均Infomax 0.88 20组件得到最好的性能。RA的振幅调制的峰值延迟S1平均是0.9,平均timecourses RA是0.99。后面这两个特性通常是最相关的制作推断电生理数据,。整体的形状(单个试验)峰值振幅的波形和组件。S1的地形重建精度可达到0.87。集团ICA的结果为所有功能下降增加延迟抖动算法选择的不管。为整个timecourse,平均RA算法是s1 - 0.86, s2 - 0.76, s3 - 0.50,下降最明显的特征。峰的峰值RA是s1 - 0.90, s2 - 0.87, s3 - 0.65。 RA for the timecourse average is S1—0.95, S2—0.95, S3—0.82, the topographies are reconstructed with S1—0.87, S2—0.80, S3—0.77 overall a less pronounced drop-off. This effect is more pronounced with increasing the number of estimated components as can be seen in the RA of all features of S3. In summary, all three sources were recovered with sufficient reconstruction accuracy of all four features.

真实数据的分解产生大量的事件相关的组件显示微分响应标准和目标之间的声音。我们相关的地形和峰值延迟ERP成分N1、T-complex, P2、N2和P3的子组件。在图3,我们的组织意味着一个独立组件,代表了听觉N1,一起重建三个代表。组N1组件的意思是代表集团平均水平,以及预计有些小振幅比单一主题的平均振幅相比,因为inter-individual延迟差异。这个数据集的部分伴随工具箱作为教程材料根据要求和整个数据集。


图3
真实的数据分解。这个数字是一个组件的例子从一群ICA分解听觉古怪的数据集( n = 3 2 参与者),显示一个独立组件的组织意味着在最左边的列,并重建三个主题的其他列。注意,该集团的意思是组件山峰由于延迟抖动更小的振幅。上图:地形、中间:单一的试验图像,底部:组件事件相关的平均水平。垂直线的左下角显示发病前标准,目标,分别和成功标准。地形和延迟确定该组件为听觉N1,和典型N1-enhancement清晰可见,以应对目标。

4所示。讨论

这项工作提供了一个方法执行时间独立分量分析的实验时间域同时脑电图数据的多个主题。我们的模型使用的结合主成分分析对数据减少,随后的独立分量分析聚合数据,和back-reconstruction骨料混合矩阵的各个学科(20.,25]。这种方法实现的免费软件运行在Matlab工具箱EEGIFT (R13和更新),可下载http://mialab.mrn.org/或http://icatb.sourceforge.net/。EEGIFT图形用户界面(GUI),允许进口脑电图EEGLAB来自多个参与者的数据预处理(http://sccn.ucsd.edu/eeglab/)。另一个GUI允许用户指定的分析细节,如主成分分析数据简化,模型,选择的ICA算法,和相应的参数。与ICASSO EEGIFT也允许稳健估计45]。分析输出存储在Matlab作为单独的timecourses back-reconstruction和地形后格式可用于指定between-condition和/或团体之间的统计测试。个人数据,群体平均水平,和人口统计数据也可以在GUI可视化地形,总平均timecourses和单一试验图像。分析也可以batch-scripted为了方便。EEGIFT完整文档的功能,包括一个教程介绍,伴随下载包(http://icatb.sourceforge.net/gift/eegift_startup.php)。提供用户支持通过邮件列表(Icatb-discuss)的礼物。

在EEGIFT back-reconstructed timecourses和地形是一个函数内变化的主要对象,而不是代表平均水平的表示。模拟提供创建情况已知地面真理的来源和噪声参数,并且是有用的说明集团的概念模型。在这里,我们生成的混合数据与现实的空间,时间和振幅的变化。重建组件的解决方案与不同的算法和数字表明这种方法提供了一个简单并且易于计算,解决这个问题的现状分析与ICA。混合数据集的分解的结果说明,这组模型能够恢复timecourses和地形相关的事件响应单一试验水平与整体精度足够高。布局的介绍,在很大程度上决定成功的一组模型计算时域数据内部和inter-subject延迟抖动。有相当大的难度,可靠地估计延迟抖动相关的事件响应的脑电图数据;我们假设这生理抖动大致的来源的半宽度,在这种情况下,重建组织模型的准确性达到90%以上的个体ICA估计的准确性。个人ICA与后续订购的组件在主题将达到最高的精度与理想的聚类技术。我们没有试图直接比较组级别的性能ICA与个人ICA与随后的集群,除了可能计算的局限性,现有算法面临的挑战是主客体之间差的识别和集群组件对应的地貌和timecourses [7,29日- - - - - -31日]。集团ICA避免任何这样的问题,因为所有数据集的计算分解/科目同时,估计一套组件相同的顺序数据集。因此,它是简单的执行随机人口timecourses以及地形的测试。这样做也可以在测试的统计参数映射框架内高斯随机场理论与调整为多个比较(例如,28,46,47])。除了作为推理的主要工具,我们认为,还有一个效用prediction-based矿业集团ICA的阶段分析:例如,在这种情况下,事件相关的先验模型反应只能不指定,例如,适当的电极的选择标准和时间窗口从脑电图数据尚不清楚,集团ICA结果可用于模型规范。

正如节中提到的1当前方法的限制,响应时间/锁相不差的令人满意的重建(21,36,37]。这是一个减少的结果数据和聚合,这本质上限制了这种方法的可见性诱发活动,内部和跨科目。来源有一个松散的关系刺激/响应发作,如果提取和识别,通常表现在多个组件。这是在明确对比性能优越的颞ICA在连接脑电图时代从单一的主题,这是对trial-to-trial阶段/延迟变化的来源。检测低寿命过程在这个框架可以考虑时域数据与频率或时频转换数据35),或将延迟抖动校正预处理,可行的(8,44]。我们假设测试该模型在模拟的性能,混合,和真实的数据,这是一个非常有用的补充可用ICA-toolbelt,它提供一个简单的可能性进行组织分析脑电图反应相关的事件。由于基础生成模型是灵活和形态独立,和软件实现是高度相关的,一个真正的这种方法的优点是EEG组件可以融合结果sMRI等多样化的生物医学成像模式,功能磁共振成像,DTI和VBMas以及遗传信息(SNP)在同一个概念和计算框架(15,18,20.,23,48,49]。然后提供多通道推论这对大脑功能能承受新的见解。

承认

本研究在经济上支持与BILATGRUNN从挪威的研究委员会授予汤姆·多夫和美国国立卫生研究院的资助下R01 EB 000840和005846 R01 EB文斯·卡尔霍恩。