Mixed Membership Models for Multilevel Functional Data

Resumen Técnico: Modelos de Membresía Mixta para Datos Funcionales Multinivel

1. Planteamiento del Problema

El trabajo aborda el análisis de datos de neuroimagen funcional, específicamente electroencefalografía (EEG) en niños con Trastorno del Espectro Autista (TEA) y controles típicamente desarrollados (TD).

• Naturaleza de los datos: Los datos se conceptualizan como datos funcionales multinivel. Cada sujeto ($i$) contribuye con múltiples funciones ($J$, correspondientes a los canales de EEG) sobre un dominio temporal ($T$).
• Limitaciones de los enfoques actuales:
  • La heterogeneidad es alta tanto entre sujetos como dentro de un mismo sujeto (diferencias entre canales).
  • Los métodos de agrupamiento (clustering) tradicionales asumen una membresía "dura" (un sujeto pertenece a un solo grupo), lo cual es insuficiente para capturar la realidad biológica donde los patrones espectrales (como el pico alfa) coexisten en mezclas continuas.
  • El agrupamiento funcional clásico produce medias de clusters poco separadas y difíciles de interpretar en este contexto.

2. Metodología Propuesta

Los autores proponen extender los modelos de membresía mixta (donde una observación puede pertenecer parcialmente a varias clases) al dominio de datos funcionales multinivel.

A. Modelo Estocástico y Descomposición

• Se define un proceso de membresía mixta funcional mediante mezclas de Procesos Gaussianos (GP) dependientes.
• Se utiliza una extensión de la descomposición Karhunen-Loève multivariada para representar las trayectorias observadas.
• Estructura del modelo:
  • Las trayectorias observadas $Y_{ij}(t)$ se modelan como una combinación convexa de $K$ características funcionales latentes puras.
  • La media se construye como una combinación convexa de medias específicas de la característica, ponderada por proporciones de mezcla $Z_{ijk}$ (que residen en el simplex unitario).
  • La estructura de covarianza se aproxima utilizando $M$ pseudo-funciones propias escaladas, evitando imponer ortogonalidad estricta (operando fuera de la variedad de Stiefel) para facilitar el muestreo de la cadena de Markov (MCMC).

B. Inferencia Bayesiana y Priors

• Regularización: Se emplea un prior de proceso gamma multiplicativo (propuesto por [6]) para la regularización adaptativa de la estructura de covarianza.
• Suavidad: Se aplican penalizaciones de caminata aleatoria de primer orden a las medias de las características y pseudo-funciones propias.
• Identificabilidad (Contribución Clave): Los modelos de membresía mixta sufren de problemas de identificabilidad. Para resolver esto, los autores proponen un prior de proceso puntual repulsivo jerárquico sobre el simplex unitario.
  • Este prior fuerza a las probabilidades de membresía ($Z$) a cubrir el simplex de manera "suficientemente dispersa" (condición de dispersión suficiente), evitando que los clusters colapsen o sean indistinguibles.
  • Se define un proceso repulsivo para los centroides a nivel de sujeto ($\pi_i$), y las probabilidades de mezcla canal-específicas ($Z_{ij}$) se distribuyen como Dirichlet alrededor de estos centroides.

3. Resultados Principales

El modelo se aplicó a un conjunto de datos de EEG (58 niños con TEA y 39 TD, edades 2-12) en la banda alfa (6-14 Hz).

• Selección de Características: Se seleccionaron $K=2$ características funcionales latentes basándose en criterios de información (AIC/BIC) y el método del codo.
• Interpretación de las Características Latentes:
  1. Característica 1: Un ruido aperiódico tipo $1/f$ (ruido rosa) sin pico alfa definido.
  2. Característica 2: Un componente periódico con un pico alfa claro, típico de sujetos neurotípicos mayores.
• Hallazgos Clínicos:
  • Niños TD: Muestran una alta probabilidad de cargar fuertemente en la Característica 2 (pico alfa bien definido), confirmando el desarrollo esperado del pico alfa con la edad.
  • Niños con TEA: Exhiben una heterogeneidad significativamente mayor. No forman un grupo homogéneo; en su lugar, muestran mezclas continuas de patrones aperiódicos y periódicos.
  • Análisis por Canales: El modelo permitió identificar qué regiones cerebrales (específicamente regiones temporales) mostraban diferencias significativas entre TD y TEA en la definición del pico alfa.

4. Contribuciones Clave

1. Extensión Multinivel: Generalización de los modelos de membresía mixta para manejar datos funcionales donde cada unidad estadística aporta múltiples funciones correlacionadas (canales de EEG).
2. Flexibilidad Escalable: Uso de la construcción Karhunen-Loève multivariada para traducir la descomposición de covarianza en un modelo jerárquico simple, permitiendo una expresividad flexible sin las restricciones geométricas complejas de la variedad de Stiefel.
3. Solución a la Identificabilidad: Introducción de un prior repulsivo jerárquico en el simplex unitario, que garantiza que las estructuras de membresía parcial sean identificables y estables, superando las limitaciones de los priores estándar.
4. Interpretación Espectral: Capacidad para separar y cuantificar simultáneamente componentes espectrales periódicos (pico alfa) y aperiódicos ($1/f$) dentro de la misma observación, algo que el clustering duro no logra.

5. Significado e Impacto

• Avance en Neuroimagen: El estudio ofrece una nueva perspectiva cuantitativa para entender el TEA, no como una categoría binaria, sino como un espectro de membresía en la organización de las redes neuronales.
• Metodología Estadística: Proporciona un marco robusto para el análisis de datos funcionales complejos, resolviendo problemas de inferencia en modelos de mezcla con alta dimensionalidad y flexibilidad.
• Implicaciones Clínicas: La capacidad de detectar heterogeneidad dentro del grupo TEA y mapear diferencias regionales específicas sugiere que los modelos de membresía mixta son superiores para caracterizar la variabilidad biológica en trastornos del neurodesarrollo.

Limitaciones y Trabajo Futuro:
Los autores notan que los criterios de información (AIC/BIC) tendieron a sobreestimar el número de componentes ($K$) en sus experimentos, mientras que el método del codo funcionó mejor. Se señala la necesidad de investigar más a fondo la convergencia posterior en modelos de membresía mixta sobreajustados, ya que los resultados existentes para modelos de mezcla estándar no se extienden directamente a este caso.