VSSI2p-Net: L2pノルムと変動スパース性を用いた物理誘導型深層展開によるEEGソースイメージング

科学分野:

• ニューロイメージング
• 計算神経科学
• 信号処理

背景:

• 脳波（EEG）ソースイメージング（ESI）は、従来のニューロイメージング手法に課題を突きつける未定問題です。
• 既存の手法では、最適な事前情報の統合のために手動でのパラメータ調整が必要となることがよくあります。
• 深層学習手法はデータ駆動型のパラメータ最適化を提供しますが、解釈可能性がなく、大規模なデータセットが必要です。

研究 の 目的:

• 従来のESI手法と深層学習ESI手法の利点を統合した新しいニューラルネットワークモデル、VSSI2p-Netを提案すること。
• ESIにおけるパラメータ最適化と解釈可能性の課題に対処すること。
• より正確で効率的なESIソリューションを実現すること。

主な方法:

• VSSI2p-Netという深層展開ニューラルネットワークモデルを開発しました。
• 変動スパース性とℓ2,pノルム（0
• 交互方向乗数法（ADMM）を用いて反復的に解き、それをニューラルネットワークにマッピングしてエンドツーエンドのパラメータ最適化を実現しました。

主要な成果:

• VSSI2p-Netは、合成データセットおよび実データセットにおいて、従来の深層学習手法および最先端の深層学習手法と比較して優れた性能を示しました。
• ソース局在化の精度と空間範囲推定において、有意な改善が観察されました。
• 提案手法は、様々なソース構成においてイメージング速度も向上しました。

結論:

• VSSI2p-Netは、解釈可能性を維持しながら事前情報を柔軟に統合でき、既存のESI手法を上回る性能を発揮します。
• このモデルは、未定問題であるESIに対して、より正確で効率的なソリューションを提供します。
• このアプローチは、現在の技術の主な限界に対処することにより、EEGソースイメージングの分野を進歩させます。