高次元データの時間変動相関によるグルーピングの変化の解析

多領野fMRIデータを用いた脳領野間の結合を推定するための推定方法の開発を行った。本課題で扱う結合は領野間の活動の相関を因果的にとらえた有向性の結合である。本年度は昨年度課題としていたスパース推定に取り組んだ。結合推定の手法であるDynamic Causal Modeling (DCM)において結合係数の推定は最尤推定によって実行される。一般に目的関数に最適化変数の絶対値を罰則項として導入することによりスパースな解が得られることが知られている(L1スパース推定)。脳の情報処理を調べるには全脳が完全結合していると考えるより、重要な領野間がスパースに結合していると考え調べることが重要だと考えられるため、脳領野間の結合推定にL1スパース推定を用いた。L1スパース推定では予測関数が最適化変数の線形で表せる場合は、高速に最適解を求める方法が知られているため、DCMによるfMRI信号の予測を線形近似してL1スパース推定を行うことを試みた。しかし、DCMにおいては本課題で用いた線形近似では複数領野を経由するような結合がうまく表現できないことが分かった。そこで、予測関数が非線形になる場合のL1スパース推定において用いられる手法を導入し、現在研究結果をまとめている。昨年度、相関解析により多領野間がクラスター状に結合する構造を持つことが分かったが、本年度のL1スパース推定の結果と合わせ、脳領野間の重要な結合を取り出すことにより、脳領野間の結合が時間変動するクラスターに分解できることが期待される。本研究により、多領野のfMRIデータという高次元データから時間変動する結合による脳領野間の結合クラスターの変化を知ることができるため、本申請の目的に対して貢献できたと考えている。

多領野fMRIデータを用いた脳領野間の結合を推定するための推定方法の開発を行った。本課題で扱う結合は領野間の活動の相関を因果的にとらえた有向性の結合である。本年度は昨年度課題としていたスパース推定に取り組んだ。結合推定の手法であるDynamic Causal Modeling (DCM)において結合係数の推定は最尤推定によって実行される。一般に目的関数に最適化変数の絶対値を罰則項として導入することによりスパースな解が得られることが知られている(L1スパース推定)。脳の情報処理を調べるには全脳が完全結合していると考えるより、重要な領野間がスパースに結合していると考え調べることが重要だと考えられるため、脳領野間の結合推定にL1スパース推定を用いた。L1スパース推定では予測関数が最適化変数の線形で表せる場合は、高速に最適解を求める方法が知られているため、DCMによるfMRI信号の予測を線形近似してL1スパース推定を行うことを試みた。しかし、DCMにおいては本課題で用いた線形近似では複数領野を経由するような結合がうまく表現できないことが分かった。そこで、予測関数が非線形になる場合のL1スパース推定において用いられる手法を導入し、現在研究結果をまとめている。昨年度、相関解析により多領野間がクラスター状に結合する構造を持つことが分かったが、本年度のL1スパース推定の結果と合わせ、脳領野間の重要な結合を取り出すことにより、脳領野間の結合が時間変動するクラスターに分解できることが期待される。本研究により、多領野のfMRIデータという高次元データから時間変動する結合による脳領野間の結合クラスターの変化を知ることができるため、本申請の目的に対して貢献できたと考えている。