Modelli autoregressivi per la stima della connettività tra segnali...
Transcript of Modelli autoregressivi per la stima della connettività tra segnali...
Modelli autoregressivi per la stima della connettivitàtra segnali biologici
Ing. Laura Astolfi
Dip. Informatica e Sistemistica
Fondazione S.Lucia IRCCS
E-mail: [email protected]
Corso di Modelli di Sistemi Biologici – Prof. S. Salinari
Università di Roma “La Sapienza” - Facoltà di Ingegneria
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 2
Piano delle lezioni
•Definizione di connettività tra segnali biologici• Connettività anatomica, funzionale ed effettiva• Definizioni di causalità
•Modelli autoregressivi (AR)• Identificazione dei parametri di un AR: metodo di Yule-Walker• Impiego degli AR come predittori lineari
•Modelli bivariati autoregressivi•Metodi bivariati per la stima della connettività
• Test di causalità di Granger• Coerenza Ordinaria• Coerenza Diretta
•Modelli multivariati Autoregressivi (MVAR)•Metodi multivariati per la stima della connettività
• Directed Transfer Function• Partial Directed Coherence• Direct Directed Transfer Function
•Metodiche non parametriche per la stima della connettività•Confronto tra metodi bivariati e metodi multivariati
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 3
Connettività tra segnali biologici
• SEGNALI UNIVARIATI:•L’informazione biologica può essere contenuta in un unico segnale -> ANALISI UNIVARIATA(es: temperatura)
• SEGNALI MULTIVARIATI:•Più spesso, numerosi segnali biologici vengono registrati simultaneamente, e l’analisi dell’interdipendenza tra di essi può consentire di comprendere il funzionamento dei sistemi biologici che li hanno prodotti (ANALISI MULTIVARIATA) (es: segnali elettroencefalografici, elettrocardiografici, elettromiografici…)
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 4
Connettività tra segnali biologici
• L’osservazione separata dell’andamento temporale di alcuni indici dell’attività biologica fornisce solo informazioni parziali sul funzionamento dei sistemi in esame
• Per comprenderne realmente il funzionamento è necessario capire anche come le diverse parti del sistema stesso interagiscano tra loro -> connettività funzionale
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 5
Connettività tra segnali biologici
Es: Attività cerebrale• Può essere rilevata mediante
Elettroencefalografia (EEG), Magnetoencefalografia (MEG), Risonanza Magnetica Funzionale (fMRI), Local FieldPotentials (LFP),….
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 6
Applicazione: connettivitàcorticale
• Tutte queste metodiche restituiscono informazione sull’andamento temporale dell’attività nei vari punti della corteccia cerebrale (Mappe di attivazione)
• Ma l’informazione multicanale, da sola, non dice abbastanza sul funzionamento della corteccia
• Connettività corticale: descrive come le diverse aree della corteccia cooperano tra loro per l’esecuzione di un determinatocompito sperimentale
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 7
Diverse definizioni di connettività•Connettività anatomica= esistenza di legami anatomici che permettono la trasmissione di informazione da un distretto biologico ad un’altro (ad es: fasci nervosi)
•Connettività funzionale= esistenza di legami funzionali tra le attività rilevate in diversi distretti anatomici, indipendentemente dall’esistenza di una effettiva connessione anatomica diretta.
Definizione intuitiva: descrizione di come diversi sottosistemi di un sistema biologico (ad es: diverse aree della corteccia cerebrale, il cervello e i muscoli, il cervello e il cuore) comunichino tra loro. Può essere espressa dal concetto di CAUSALITA’ (un evento ne provoca un altro)
Ma per poterla stimare occorre una definizione matematica!
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 8
Definizione di causalità
Norbert Wiener (1956). Prima definizione di causalità in senso statistico:
Dati due segnali, misurati simultaneamente, se la predizione del primo è migliorata dall’aver incorporato le informazioni relative al passato del secondo segnale, piuttosto che usando solo l’informazione relativa al passato del primo, allora si può dire che il secondo segnale è causa (in senso statistico) del primo.
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 9
Causalità secondo Granger
Clive Granger (Premio Nobel per l’economia2003), 1969: Formulazione matematica del concetto espresso da Wiener.
Dati due segnali X e Y, si può dire che X influenza Y se includendo i valori passati della prima variabile nella stima regressiva della seconda, questo migliora la qualità della stima, cioè riduce l’errore di predizione.
nn--33 nntt
X(t)X(t)
Y(t)Y(t)
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 10
Modelli Autoregressivi (AR)
[ ] [ ] [ ] [ ]∑=
+−−=p
k
nuknxkanx1
x[n]= serie temporale
a[n]= parametro autoregressivo relativo al lag k
p= ordine del modello
u[n]= residuo del modello
Ipotesi:
x[n] processo stazionario in senso lato
u[n] bianco, a media nulla
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 11
Modello AR come filtro generatore
Hp:Filtro causale (h[n]=0 per n<0)
h[n]u[n] x[n]
Input: processo bianco
Output: processo x[n]
[ ] [ ] [ ]∑∞
=
−=0k
knukhnx
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 12
Stima dei parametri AR
Ipotesi:
1. x[n] processo stazionario in senso lato
2. la sequenza di autocorrelazione rxx[m] si suppone nota (in realtà per segnali finiti si può solo stimare)
3. u[n] bianco, a media nulla
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 13
Moltiplicando per x*[n-m]:
Calcolando il valore atteso:
O, equivalentemente:
Stima dei parametri AR
[ ] [ ] [ ] [ ]∑=
+−−=p
k
nuknxkanx1
[ ] [ ] [ ] [ ] ][*][*][*1
mnxnumnxknxkamnxnxp
k
−+−−−=− ∑=
[ ] [ ] [ ] [ ] ]}[*{]}[*{]}[*{1
mnxnuEmnxknxEkamnxnxEp
k
−+−−−=− ∑=
[ ] [ ] [ ]mrkmrkamrp
kuxxxxx ∑
=
+−−=1
][
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 14
Stima dei parametri AR
[ ] [ ] [ ] [ ] [ ] [ ]∑∑∞
==
−=+−−=01 k
p
k
knukhnuknxkanx
[ ] [ ] [ ]mrkmrkamrp
kuxxxxx ∑
=
+−−=1
][
[ ] [ ] [ ]{ } [ ] [ ] [ ] =⎭⎬⎫
⎩⎨⎧
⎥⎦
⎤⎢⎣
⎡−−=−= ∑
∞
=0
***
kux kmnukhnuEmnxnuEmr
[ ] [ ] [ ] [ ] [ ]∑∞
=
−∗+=++=1k
uu*
uuuu*
uu mrmh]m[rkmrkhmr
[ ] [ ] [ ] [ ] =⎭⎬⎫
⎩⎨⎧
⎥⎦
⎤⎢⎣
⎡−−+−= ∑
∞
=1
***
k
kmnukhmnunuE
Poiché:
Sostituendo nella equazione precedente :
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 15
Stima dei parametri AR
Poiché u è per ipotesi bianco e a media nulla, indicando con σ2 la sua
varianza si ha:[ ][ ] 20
00
σ=
≠∀=
uu
uu
r
mmr
[ ][ ]
⎪⎭
⎪⎬
⎫
⎪⎩
⎪⎨
⎧
>=<−
=00
0
02
*2
m
m
mmh
mrux σσ
[ ] [ ] [ ] [ ] [ ] [ ]∑∞
=
−∗+=++=1k
uu*
uuuu*
uuux mrmh]m[rkmrkhmrmr
Inoltre, poiché il filtro è causale, h[m]=0 per m<0 (i campioni futuri
delle serie in ingresso sono incorrelati con il campione attuale della
serie in uscita)
diventa:
[ ] 0mkruu ≠+ 2σe = solo se k=-m
se m>0 allora m+k diverso da 0
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 16
Stima dei parametri AR
[ ][ ]
[ ] [ ]
[ ] [ ] ⎪⎪⎪
⎭
⎪⎪⎪
⎬
⎫
⎪⎪⎪
⎩
⎪⎪⎪
⎨
⎧
>−−
=+−−
<−
=
∑
∑
=
=
0
0
0
1
2
1
*
mkmrka
mkrka
mmr
mr
p
kxx
p
kxx
xx
xx σ
[ ] [ ] [ ]mrkmrkamrp
kuxxxxx ∑
=
+−−=1
][ [ ][ ]
⎪⎭
⎪⎬
⎫
⎪⎩
⎪⎨
⎧
>=<−
=00
0
02
*2
m
m
mmh
mrux σσ
Inoltre, per la stazionarietà in senso lato di x si ha che
rxx[m]= rxx[-m]
EQUAZIONI DI YULE-WALKER
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 17
Equazioni di Yule-Walker
• Sono p+1 equazioni-> consentono di ricavare p parametri a[n] e la varianza del rumore in ingresso σ2:
[ ] [ ] [ ][ ] [ ] [ ][ ] [ ] [ ]
[ ] [ ] [ ]
[ ][ ]
[ ] ⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢
⎣
⎡
=
⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢
⎣
⎡
∗
⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢
⎣
⎡
−
+−+−
−−
0
0
0
2
1
1
01
212
101
10 2
MM
LL
MMM
L
L
L σ
pa
a
a
rprpr
prrr
prrr
prrr
xxxxxx
xxxxxx
xxxxxx
xxxxxx
var =⋅In forma matriciale:
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 18
Modelli Autoregressivi (AR)
Il modello AR può essere impiegato:
• come un filtro generatore, ponendo in ingresso una sequenza pilota (rumore bianco) e ottenendo in uscita un processo con le stesse proprietà del segnale da stimare;
• come un predittore lineare, che consente di predire il campione al passo n-esimo a partire dai campioni ai passi precedenti
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 19
Predizione lineare autoregressiva
• Un filtro AR può essere impiegato come predittore lineare (è questo l’uso nella connettività):
[ ] [ ] [ ]∑=
−−=p
k
knxnanx1
ˆ
[ ] [ ] [ ]nxnxne −=
X[n-6]X[n-5]
X[n-4]
X[n-3]X[n-2]
X[n-1]X[n][ ]nX• L’errore di
predizione sarà:
• Lo scopo della predizione lineare èdeterminare i coefficienti a[k], minimizzando la potenza dell’errore e[n]
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 20
Predizione lineare autoregressiva
Ipotesi:
1.x[n] processo stazionario in senso lato
2.Ortogonalità tra le coppie di serie e[n] e x[n]. Questo per rispondere alla condizione di minimo della potenza dell’errore. Infatti se queste non fossero scorrelate significherebbe che l’errore contiene in sé ancora delle informazioni utili sul segnale.
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 21
Predizione lineare autoregressiva
• Si dimostra che i coefficienti del vettore di predizione lineare che minimizzano la varianzaσ2 sono dati dalla soluzione delle equazioni:
[ ]⎟⎟⎠
⎞⎜⎜⎝
⎛=⎟⎟
⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛
− 0
10 2
1
σaRr
rr
ll
Hlxx Di nuovo le eq.
di Yule- Walker!
var =⋅In forma matriciale:
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 22
Modello AR e predittore AR
• Differenza tra un modello AR e un predittore AR:
h[n]u[n] x[n]
h[n]x[n] e[n]
Input: processo bianco
Output: processo x[n]
Input: processo x[n]
Output: errore e[n]
•e[n] è scorrelato dal segnale stimato
•In generale, non è detto che l’errore e[n] sia un processo bianco
•Se però il processo x[n] è autoregressivo nella sua natura, e modellizzabile con un filtro AR dello stesso ordine scelto per il predittore, allora e[n] è bianco.
][ˆ nx
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 23
Applicazione alla connettività
• Come visto, un modello predittore di tipo AR consente, una volta che i suoi parametri siano stati stimati, di predire il campione all’istante n, x[n], in funzione dei campioni nei p istanti precedenti x[n-1],x[n-2],…,x[n-p].
X[n-3]X[n-2]
X[n-1]X[n][ ]nX
Y[n-3]Y[n-2]
Y[n-1]X[n][ ]nY
•Se si potesse estendere questo modello a 2 serie temporali, includendo i campioni agli istanti precedenti di una serie nella predizione dell’altra…?
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 24
Modelli bivariati
• Il campione di x è predetto inserendo anche i campioni agli istanti precedenti di y, e viceversa.
• Anche l’errore di predizione è quindi influenzato da entrambi i segnali
• I parametri del modello vengono stimati con un analogo bivariato delle equazioni di Yule-Walkerin cui compaiono le funzioni di cross-correlazione rxy e ryx
[ ] [ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] [ ] [ ]∑ ∑
∑∑
= =
==
+−+−=
+−+−=
p
1k
p
1kyxyxyx
p
1kxyxy
p
1kxy
neknykbknxkany
neknykbknxkanx
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 25
Test di causalità di Granger
• Ora si può applicare la definizione di Granger: X influenza Y se includendo i valori passati della prima variabile nella stima regressiva della seconda, questo riduce l’errore di predizione.
• Confrontando i modelli univariati e bivariati stimati su x e y:
[ ] [ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] [ ] [ ]∑ ∑
∑∑
= =
==
+−+−=
+−+−=
p
k
p
kyxyxyk
p
kxyxy
p
kxy
neknykbknxkany
neknykbknxkanx
1 1
11
[ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ]∑
∑
=
=
+−=
+−=
p
kyy
x
p
kx
neknykany
neknxkanx
1
1Caso univariato
Caso bivariato
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 26
Test di causalità di Granger
• La capacità predittiva dei due modelli può essere espressa dalla varianza degli errori di predizione:
( )( )yyy
xxx
eV
eV
var
var
=
= ( )( )yxx,yy
xyy,xx
evarV
evarV
=
=Per i modelli univariati
Per i modelli bivariati
Una misura dell’influenza di y su x può allora essere espressa da:
⎟⎟
⎠
⎞
⎜⎜
⎝
⎛=→
yxx
xx
xy V
VG
,
ln
Se y non migliora la predizione di x,
Se la migliora,
0, ≈⇒≈ GVV xxyxx
↑⇒↓ GV yxx ,
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 27
Test di causalità di Granger
•Applicazione:Analisi della connettività tra segnali ottenuti su 5 elettrodi da registrazioni EEG.
X1
X2
X3
X4
X5
1. Su tutte le possibili coppie all’interno del set di segnali viene calcolato il coefficiente di Grangerin entrambe le direzioni (1->2 e 2->1)
2. Per ogni coppia può esistere un legame di tipo causale in un verso, nell’altro, in entrambi o in nessuno dei due
3. Risultato: un pattern di connettività che lega i 5 siti sullo scalpo
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 28
Test di causalità di Granger
• Vantaggi del test di causalità di Granger:• Indica la DIREZIONE del legame di causalità:
• Limiti:• Dà indicazioni nel solo dominio del tempo
(nell’intervallo temporale analizzato)
• Spesso invece l’informazione associata ad un segnale biologico è codificata nel dominio della frequenza -> occorre una misura spettrale
yxxy GG →→ ≠
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 29
Nozioni di analisi spettrale per segnali tempo-discreti
• Trasformata di Fourier di un segnale tempo-discreto:
• Densità spettrale di energia:
• Funzione di autocorrelazione:
( ) ( )2xx fXfS =
( ) [ ] ( )fkT2jexpkxfXk
π−= ∑∞
−∞=
[ ] [ ] [ ]nkxkxnrk
*xx += ∑
∞
−∞=
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 30
Teorema di Wiener- Khinchin
• Lo Spettro Densità di Potenza (PSD) è calcolato come trasformata di Fourier della Funzione di Autocorrelazione:
• Nella pratica, sono disponibili sequenze discrete ottenute per campionamento a passo T:
( ) ( )[ ] ( )∫∞
∞−
−=ℑ= ττ τπ dertrfS f2jxxxxx
( ) [ ] ( )fkT2jexpkrfSk
xxxx π−= ∑∞
−∞=
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 31
Nozioni di analisi spettrale per segnali tempo-discreti
• Funzione di cross-correlazione:
• Densità spettrale di mutua potenza:
• Proprietà: Sxy = Syx
( ) ( ) ( )( ) ( ) ( )fXfYfS
fYfXfS*
yx
*xy
=
=
[ ] [ ] [ ]nkykxnrk
*xy += ∑
∞
−∞=
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 32
Matrice spettrale dei segnali
• Matrice spettrale dei segnali:
• In cui:
Sii= Densità spettrale di potenza di xi
Sij= Densità spettrale di mutua potenza tra xi e xj
( ) ( ) ( )( ) ( )⎥⎦
⎤⎢⎣
⎡=
fSfS
fSfSfS
2221
1211 E’ una matrice SIMMETRICA
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 33
Coerenza Ordinaria
• La Coerenza Ordinaria indica la correlazione lineare tra due segnali in funzione della frequenza.
• E’ data dalla mutua densità spettrale dei due segnali normalizzata sul prodotto delle loro densità spettrali individuali.
( )( )
( ) ( )fSfS
fSfC
yyxx
2
xy
xy =
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 34
Proprietà della coerenza ordinaria
• La coerenza assume valori compresi nell’intervallo [0, 1]
• Per una data frequenza f0:•Cxy(f0)=0 => l’attività dei segnali a questa
frequenza è indipendente.
•Cxy(f0)=1 => indica la massima correlazione a questa frequenza.
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 35
Coerenza ordinaria
• LIMITE: non indica il verso dell’interazione
• Infatti la coerenza ordinaria misura l’esistenza di un sincronismo tra i segnali, ma non è legata al concetto di causalità => non esprime la direzionalità
xx yy??Cxy
( )( )
( ) ( )( )fC
fSfS
fSfC yx
yyxx
2
xy
xy ==
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 36
Coerenza diretta
• Le grandezze che sostituiscono la matrice spettrale S possono essere ricavate mediante il teorema di Wiener- Khinchin :
• oppure con un modello di filtro generatore che dia informazioni sulla struttura dei segnali => AR bivariato
( ) [ ] ( )
( ) [ ] ( )fkT2jexpkrfS
fkT2jexpkrfS
kyyyy
kxxxx
π
π
−=
−=
∑
∑∞
−∞=
∞
−∞=
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 37
Coerenza diretta
• Infatti, dato un modello AR bivariato si ha:
• Da cui, portando le x al primo membro:
[ ] [ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] [ ] [ ]∑ ∑
∑∑
= =
==
+−−−−=
+−−−−=
p
1k
p
1kjjjjjijij
p
1kijjij
p
1kiiii
neknxkaknxkanx
neknxkaknxkanx
[ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] [ ]∑ ∑
∑ ∑
= =
= =
=−+−
=−+−
p
1k
p
0kjjjjjiji
ij
p
0k
p
1kjijiii
neknxkaknxka
neknxkaknxka Con
aii[0]=1
ajj[0]=1.
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 38
Coerenza diretta
• Passando al dominio della frequenza otteniamo:
• Dove:
( ) ( ) ( ) ( ) ( )( ) ( ) ( ) ( ) ( )fEfXfAfXfA
fEfXfAfXfA
jijjjiji
ijjijiii
=+
=+
( ) [ ]∑=
−=p
0k
fTk2jijij ekafA π
è la trasformata di Fourier dei coefficienti del modello.
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 39
Coerenza diretta
• In forma matriciale si ha:
( ) ( ) ( )fEfXfA =
( ) ( ) ( )( ) ( )⎥⎦
⎤⎢⎣
⎡=
fAfA
fAfAfA
jjji
ijii
( ) ( )( )⎥⎦⎤
⎢⎣
⎡=
fX
fXfX
j
i
( ) ( )( )⎥⎦⎤
⎢⎣
⎡=
fE
fEfE
ji
ij
Con:
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 40
Coerenza diretta
• L’equazione precedente può essere riscritta come segue:
dove H(f) è detta MATRICE DI TRASFERIMENTO del fitroAR:
( ) ( ) ( ) ( ) ( )fEfHfEfAfX 1 == −
( ) ( ) ( ) ( )( ) ( )⎥⎦
⎤⎢⎣
⎡== −
fHfH
fHfHfAfH
jjji
ijii1
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 41
Matrice di trasferimento
L’elemento ij della matrice H è la funzione di trasferimento tra l’i-esimo ingresso e la j-esima uscita del filtro AR bivariato. In generale si ha che H ij (f) è diverso da H ji (f)
E1(f)
X2(f)E2(f)
X1(f)
H22(f)
H11(f)
H12(f) H
21(f)
FILTRO AR bivariato
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 42
Coerenza diretta
• Passando alle densità spettrali di potenza, si ottiene:
• Poiché la matrice spettrale S espressa in funzione dei parametri del modello AR è quindi data da:
( ) ( ) ( ) ( ) ( ) ( ) ( )fHfEfEfHfXfXfS HHH ==
( ) ( ) ( )( ) ( ) ( )[ ]
( ) ( ) ( ) ( )( ) ( ) ( ) ( )
( ) ( )( ) ( ) ( )fS
fSfS
fSfS
fXfXfXfX
fXfXfXfX
fXfXfX
fXfXfX
jjji
ijii
*jj
*ij
*ji
*ii
*j
*i
j
iH
=⎥⎦
⎤⎢⎣
⎡=
⎥⎥⎦
⎤
⎢⎢⎣
⎡
=⎥⎦
⎤⎢⎣
⎡=
( ) ( ) ( )fEfHfX =
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 43
Coerenza diretta
• è la matrice spettrale di e1[n], e2[n]
• Ma, per Hp, e1[n], e2[n] sono bianchi, quindi:
1) la loro densità spettrale di potenza è costante e pari alla loro potenza σ11
2 , σ112
2) La loro densità di mutua potenza spettrale è costante e pari a σ12
2= σ212
• La matrice spettrale di E è pertanto
indipendente dalla frequenza e pari a:( )
⎥⎥⎦
⎤
⎢⎢⎣
⎡== 2
jj2ji
2ij
2iifE
σσσσ
Σ
⎥⎥⎦
⎤
⎢⎢⎣
⎡= 2
jj
2ii
0
0
σσ
ΣInoltre, se il modello fornisce una buona stima del processo X, Eij e Eii sono scorrelati=> la loro mutua correlazione è zero =>
( ) ( ) ( )fSfEfE EH =
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 44
Coerenza diretta
• La matrice spettrale S espressa in funzione dei parametri del modello AR è quindi data da:
( ) ( ) ( ) ( ) ( ) ( ) ( )fHfHfHfEfEfHfS HHH Σ==
( ) ( ) ( )fHfHfS HΣ=
⎥⎥⎦
⎤
⎢⎢⎣
⎡= 2
jj
2ii
0
0
σσ
ΣCon:
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 45
Coerenza diretta
• Sulla base della fattorizzazione della matrice spettrale S fornita dalla equazione precedente, si può definire la COERENZA DIRETTA da j verso i:
( ) ( )( )
( )( ) ( )2ij
2jj
2
ii2ii
ijjj
ii
ijjjij
fHfH
fH
fS
fHf
σσ
σσγ
+==
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 46
Coerenza diretta
• Poiché , si ha che:
A differenza della Coerenza Ordinaria, la Coerenza Diretta fornisce indicazioni sulla direzione dell’interazione tra i due segnali
( ) ( )ff jiij γγ ≠( ) ( )fHfH jiij ≠
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 47
Coerenza diretta
• Quindi per la Coerenza Diretta si ha:
xjxj xixi
( )fijγ
xjxj xixi
( )fjiγ
Come per il coefficiente di Granger => si dimostra che la Coerenza Diretta è un equivalente in frequenza del test di Granger
L. Astolfi - Modelli autoregressivi per la connettività tra segnali biologici - Corso di Modelli di Sistemi Biologici 48
METODI BIVARIATI
• Test di causalitàdi Granger:
• Coerenza Ordinaria:
• Coerenza Diretta:
ijGxjxj xixi
jiG
xjxj xixi
ijγ
jiγ
xjxj xixiijC
Nel tempo
In frequenza
In frequenza