XDL-ESI:通过可解释的深度学习框架对电生理学源进行成像,同时对EEG和iEEG进行验证

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 电脑图像 (EEG) 和磁脑图像 (MEG) 源成像 (ESI) 从头皮记录中估计大脑活动.
• 在ESI逆问题是不好的,需要规范化独特的解决方案.
• 传统的规范化依赖于关于源动态的假设,限制了灵活性.

研究的目的:

• 为EEG/MEG源成像提出一个新的可解释深度学习框架 (XDL-ESI).
• 开发一种数据驱动的方法来建模源解决方案结构,取代手工制作的规范化.
• 提高ESI的稳定性和可解释性.

主要方法:

• 通过将代优化与深度学习架构集成,开发了XDL-ESI.
• 在神经网络模块中展开代更新.
• 引入了拓损失,利用几何空间信息来提高强度.

主要成果:

• XDL-ESI提供了数据驱动的方法,避免了手动规范化.
• 拓损失通过惩罚本地化错误来提高源解决方案的稳定性.
• 该框架显示了改进的重建效率和可解释性.
• 在模拟和真实临床数据上,包括同时EEG/iEEG,都取得了令人满意的表现.

结论:

• XDL-ESI提供了一种高效,准确和可解释的模式来解决ESI反向问题.
• 这种深度学习方法推进了脑源定位领域的发展.
• 该框架显示了神经科学中临床应用的巨大潜力.