基于脑磁图(Magnetoencephalography, MEG)数据的脑活动定位之字典学习(Dictionary Learning)方法

《Brain Topography》：Dictionary Learning Methods for Brain Activity Mapping with MEG Data

　　

摘要：脑科学研究中的一个核心目标是识别在观测窗口（对应于运动任务、刺激呈现或静息态）内被激活的脑区。虽然功能性磁共振成像(functional Magnetic Resonance Imaging, fMRI)是目前最常用的此类任务模态，但基于脑电磁活动的检测方法因其优异的时间分辨率以及所测信号直接关联于脑激活而非血流动力学次级效应等特点，是有价值的替代方案。本研究聚焦于MEG模态，考察一种近期提出的贝叶斯字典学习(Bayesian Dictionary Learning, BDL)算法在脑区识别中的性能。将源空间划分为与Destrieux图谱分区相对应的148个感兴趣区(Region of Interest, ROI)，可自然确定BDL算法所需的子字典(subdictionary)。研究人员设计了一套仿真方案：在每个ROI中随机选取一小块区域激活，计算其MEG信号，并利用BDL算法求解活跃脑区识别的逆问题。BDL算法含两个阶段——第一阶段包括字典压缩与贝叶斯压缩误差(Bayesian Compression Error)分析，第二阶段利用第一阶段输出构建缩减(deflated)字典并进行字典编码，两步均依赖贝叶斯稀疏促进(Bayesian sparsity promoting)计算。为评估性能，研究人员对混淆矩阵(confusion matrix)给予概率解释，并考量多类分类器的不同不纯度(impurity)指标。关键词：稀疏编码(Sparse coding)；贝叶斯近似误差(Bayesian approximation error)；矩阵分解(Matrix factorization)；不纯度指数(Impurity index)；贝叶斯层次模型(Bayesian hierarchical models)。

《Brain Topography》刊载论文解读：基于贝叶斯字典学习与MEG数据的脑活动脑区识别研究

脑功能成像研究中，fMRI因检测血氧水平依赖(Blood Oxygenation Level Dependent, BOLD)信号而广为应用，但其时间分辨率低且BOLD并非神经元放电活动的直接代理，无法区分兴奋与抑制。脑磁图(Magnetoencephalography, MEG)可直接估算突触后电位引发的电磁活动，时间分辨率达毫秒级，是认知神经成像的可行替代。传统MEG逆问题关注源定位(dipole localization)，而本研究目标为识别含激活源的脑区(即区域水平激活判别)，同一ROI内源等价处理，属组稀疏(group sparsity)问题。已有研究表明解剖图谱(如Destrieux图谱，将皮层分为148个ROI包括沟回区分)可作先验分区，但MEG能否正确识别激活ROI尚待验证。为此，研究人员采用贝叶斯字典学习(Bayesian Dictionary Learning, BDL)框架，结合Destrieux图谱引导的子字典划分、字典压缩与贝叶斯近似误差建模，通过大规模仿真测试各脑区可辨识性并量化分类性能。

主要关键技术方法：

研究人员采用Open MEG Archive(OMEGA)中真实头部模型与导联场矩阵(lead field matrix, L_k∈?^m×3，m=306通道，N=15002个皮层偶极子位)，按Destrieux图谱将源空间划分为L=148个子字典D^(?)。对每个子字典做截断奇异值分解(Singular Value Decomposition, SVD)低秩近似得压缩码本(code book) W^(?)，保留奇异值≥τ倍最大奇异值的分量，压缩误差(modeled as Dictionary Compression Error, DCE)以高斯分布?(μ_DCE, C_DCE)建模并入似然。Phase I用混合广义Gamma超先验(generalized Gamma hyperprior，先r=1保证凸收敛再切换r=1/2强化稀疏)的迭代交替收缩(Iterative Alternating Scheme, IAS)算法求解压缩字典匹配，获各组缩放参数θ_?筛选相关子字典(p=0.005阈值)构建缩减(deflated)字典D^defl。Phase II对缩减字典再次用IAS(r=1)做稀疏编码并winner-takes-all分类。仿真中每ROI随机选一点及其最近5邻点赋随机振幅偶极子(法向皮质面)、合成无噪MEG信号并加σ=0.005高斯白噪(SNR≈4.6 dB)，每ROI重复100次。性能评估采用列归一化混淆矩阵P_ij=P(区域i激活|算法判为区域j)，计算误分率(Misclassification Rate, MCR_j=1?P_jj)、基尼系数(Gini index, G_j)与交叉熵(cross entropy, S_j)，并以识别树(identification tree)可视化混淆模式。

Brain Activity Mapping

标准MEG前向模型 b = Σ_k=1^NL_kq_k，固定偶极子方向为单位法向量q?_k(垂直皮质面)得 b = Σ_k(±‖q_k‖)(L_kq?_k)。将数据与字典原子归一化(unit Euclidean norm)得字典匹配问题 y = D x，其中y = b/‖b‖，d_k= L_kq?_k/‖L_kq?_k‖。按图谱分区I = ∪_?=1^LI_?重组为 y = Σ_?=1^LD^(?)x^(?)，若假设激活仅限少数ROI则向量(‖x⁽¹⁾‖,…,‖x^(L)‖)应稀疏——即组稀疏先验。区别于Group LASSO正则化，本文用贝叶斯层次模型实现组稀疏促进。

A Two-Phase Classifier: An Outline of the Algorithm

各子字典D^(?)经SVD低秩近似得W^(?)H^(?)+E^(?)。Phase I用压缩码本W=[W⁽¹⁾… W^(L)]做稀疏表示 y ≈ Σ_?W^(?)z^(?)，通过IAS-MAP估计筛选出显著θ_?对应子字典索引{?₁,…,?_q}。Phase II构造缩减字典D^defl=[D^(??)… D^(?_q)]，在其上解稀疏编码 y ≈ D^deflx( x稀疏)，按最大贡献子字典做winner-takes-all归类。

Algorithmic Details

• •
  Dictionary Compression： 对各D^(?)作SVD，取前r_?个奇异值/向量使σ_r?^(?)≥ τ σ₁^(?)> σ_r?+1^(?)得W^(?)(code book)与H^(?)，残差E^(?)为压缩误差。
• •
  Phase I: Identification of Relevant Subdictionaries — Likelihood Model： 随机模型 Y = W Z + E + S，E～?(μ_DCE,C_DCE)由样本e_k=d_k?W(W^TW)^?1W^Td_k估计，S～?(0,δ²I_m)，条件似然π_Y|Z(y|z)∝exp(??‖C^?1/2(W z+μ_DCE?y)‖²)，C=C_DCE+δ²I_m。
• •
  Phase I — Prior Model： Z⁽¹⁾,…,Z^(L)独立，Z^(?)|Θ_?=θ_?～?(0,θ_?G_?)，G_?由H^(?)的SVD左奇异向量与奇异值构造(G_?=q₁q₁^T+Σ_j=2^p?κ_jq_jq_j^T+εI，κ_j=(λ_j^(?)/λ₁^(?))²)，使先验偏好H^(?)列向量方向。Θ_?独立服从广义Gamma先验Θ_?∝θ_?^rβ_??1exp(?(θ_?/?_?)^r)，边缘化得组稀疏促进。
• •
  Phase I — The Posterior and the MAP Estimate： 结合似然与先验得后验，用IAS算法交替更新z(解加权最小二乘)与θ_?(分量一维极小化，r=1时有闭式解)，混合策略先r=1后r=1/2兼顾收敛性与强稀疏。
• •
  Dictionary Deflation： 依