EEG microstate analysis investigates the collection of distinct temporal blocks that characterize the electrical activity of the brain. Brain activity within each microstate is stable, but activity switches rapidly between different microstates in a nonrandom way. We propose a Bayesian nonparametric model that concurrently estimates the number of microstates and their underlying behaviour. We use a Markov switching vector autoregressive (VAR) framework, where a hidden Markov model (HMM) controls the nonrandom state switching dynamics of the EEG activity and a VAR model defines the behaviour of all time points within a given state. We analyze the resting-state EEG data from twin pairs collected through the Minnesota Twin Family Study, consisting of 70 epochs per participant, where each epoch corresponds to 2 s of EEG data. We fit our model at the twin pair level, sharing information within epochs from the same participant and within epochs from the same twin pair. We capture within twin-pair similarity, using an Indian buffet process, to consider an infinite library of microstates, allowing each participant to select a finite number of states from this library. The state spaces of highly similar twins may completely overlap while dissimilar twins could select distinct state spaces. In this way, our Bayesian nonparametric model defines a sparse set of states that describe the EEG data. All epochs from a single participant use the same set of states and are assumed to adhere to the same state switching dynamics in the HMM model, enforcing within-participant similarity.
L’analyse des micro-états d’un électroencéphalogramme (EEG) porte sur une collection de différents blocs temporels caractérisant l’activité électrique du cerveau. L’activité cérébrale est stable à l’intérieur de chaque bloc, mais elle varie rapidement entre les différents micro-états de façon non aléatoire. Les auteurs proposent un modèle bayésien non paramétrique qui estime simultanément le nombre de micro-états et leur comportement sous-jacent. Ils utilisent le cadre de vecteurs autorégressifs (VAR) markoviens commutants où un modèle de Markov caché (MMC) contrôle les dynamiques de commutations non aléatoires de l’activité de l’EEG et le modèle de VAR définit le comportement à travers le temps pour un état donné. Ils analysent des données d’EEG au repos de paires de jumeaux collectées dans l’étude des jumeaux du Minnesota comportant 70 époques de deux secondes d’EEG chacune pour chaque participant. Les auteurs ajustent leur modèle au niveau des paires de jumeaux, partageant les informations d’un participant et de son jumeau pour une même époque. Ils capturent les similarités dans la paire de jumeaux avec un processus du buffet indien afin de constituer une bibliothèque infinie de micro-états et de permettre à chaque participant de choisir un ensemble fini d’états provenant de celle-ci. L’espace d’états de jumeaux très semblables peut se chevaucher entièrement alors que des jumeaux différents pourraient avoir des espaces distincts. Le modèle bayésien non paramétrique des auteurs définit ainsi un ensemble creux d’états qui décrivent les données d’EEG. Toutes les époques d’un même participant utilisent le même ensemble d’états, et elles doivent adhérer au même régime de changement d’état pour leur dynamique de commutation selon le MMC, forçant ainsi une similarité intra-participant.
Keywords: Bayesian nonparametric; Primary 62M10; microstate analysis; secondary 62F15; switching VAR; time series.