诱发成分分析（ECA）：基于GLM正则化对功能超声信号的分解

2024-05-25 Sat
诱发成分分析（ECA）：基于GLM正则化对功能超声信号的分解背景介绍功能性神经影像数据分析旨在揭示大脑活动的空间和时间模式。现存的数据分析方法主要分为两类：完全基于数据的分析方法和依赖于先验信息的方法，例如用刺激时间程来分析脑活动。一般来说，使用刺激信号可以帮助识别活跃的大脑区域，但大脑对刺激的反应往往表现出非线性和时间变化的特点。因此，完全依赖刺激信号来描述大脑的时间反应可能导致对大脑功能的理解比较局限。
在此背景下，本文作者提出了一种新技术，称为诱发成分分析（Evoked Component Analysis，简称ECA），其利用了先验信息作为指导因子，通过在低阶分解框架中引入广义线性模型（General Linear Model，GLM）设计矩阵作为正则项，达到了在空间和时间上分解功能超声波信号的目的。
论文来源该论文由Aybüke Erol、Bastian Generowicz、Pieter Kruizinga和Borbála Hunyadi撰写。他们分别隶属于荷兰Delft University of Technology的信号处理系统组和Erasmus University Medical Center的超声和大脑成像中心（CUBE）。本文发表于IEEE的Transactions on Biomedical Engineering期刊，预计发布时间为2024年。
研究流程及方法2D功能超声波实验研究首先在鼠标上进行2D功能超声（Functional Ultrasound，FUS）实验。作者展示了如何在多种正则强度（λ）下进行ECA分解，以突出先验信息的重要性。实验中利用GLM设计矩阵中的多个血流动力学响应函数，深入研究了不同区域的诱发活动特点。研究流程如下：
实验设计：在老鼠的大脑区域进行功能超声实验，显示20个4秒时长的视觉刺激块，每个刺激块之间随机间隔10到15秒。超声波探头在横向上进行成像。
数据采集和预处理：获得的2D图像在经过去除基于奇异值分解（SVD）去除的无效组织噪音后，进行功率多普勒成像（Power Doppler Imaging，PDI），并采集每个像素的时间序列。
ECA分解：在不同的正则化程度下对数据进行分解，观察其对大脑视觉皮层（VIS）、外侧膝状体（LGN）和初级运动区（M1）反应的影响。
3D扫描功能超声实验此后，在五只参与两项不同视觉任务的老鼠上进行扫描3D功能超声（Swept-3D FUS）实验，这种方法通过移动探头对大脑进行顺序成像，每次成像结果按时间点进行分离。研究流程如下：
实验设计：使用LED灯作为刺激物，灯光在5秒内以3Hz的频率闪烁，然后随机休息10到16秒。实验期间监控老鼠大脑的3D体积图像。
数据处理和建模：对采集的数据进行标准化处理，使用ECA算法对其进行3D分解，估算每个时间点上的因子矩阵，并与GLM和相关分析方法进行对比。
主要结果及分析2D功能超声实验结果通过2D FUS实验，研究显示随着正则化强度的降低（λ从5000降至100），诱发成分分析算法捕捉到的大脑响应在各个腹膜反应周期（epoch）之间的变化显著增加。在高度正则化条件下，LGN和VIS的响应最显著，而在低正则化情况下，初级运动区（M1）的激活水平最高。此外，对于非正则化成分（噪音和背景活动）的建模显示出这些成分主要与血管活动相关。
3D扫描功能超声实验结果在五只老鼠的实验中，研究应用了ECA算法来分离左眼和右眼刺激诱发的脑活动。结果显示，采用ECA算法可以更准确地描述大脑的时间和空间响应，与传统的相关分析和GLM方法相比，在视觉处理途径（如视顶核、LGN和视觉皮层）的统计结果更为显著，t统计数据比相关分析和GLM更高。
结论与价值该研究提出的诱发成分分析（ECA）算法在生物医学工程功能超声研究领域具有重要价值。其主要贡献包括：
方法的创新性：ECA通过在低阶分解框架中引入广义线性模型设计矩阵，合理地利用了先验信息，从而在捕捉大脑活动的同时避免了对先验信息的完全依赖。
性能优越：ECA在2D FUS数据和3D FUS数据上均展示出较优的分解效果，可以更好地描述大脑的时间和空间响应，得到较高的t统计数据。
应用潜力广泛：此方法不仅能用于鼠标实验，还具有推广到其他神经影像研究中的潜力，对于了解刺激诱发大脑活动的动态变化具有重要意义。
Evoked Component Analysis（ECA）通过结合模型指导和数据驱动两者的优势，为神经影像数据的复杂分析提供了新的工具和视角，丰富了对大脑功能的理解与解析手段。