深度残余神经网络用于空间EEG源成像

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
• 计算神经科学是一种神经科学.

背景情况:

• 对大脑功能的非侵入性研究主要依赖于脑电图 (EEG) 来源成像.
• 传统的EEG逆向问题解决方案面临着挑战,原因是将头皮潜力映射到皮层源的不合理性.
• 类似的头皮EEG模式可能来自不同的潜在大脑激活,这使得精确的来源定位变得复杂.

研究的目的:

• 介绍DeepMapper,这是一个用于增强EEG空间源成像的新型框架.
• 通过使用深度学习方法来解决EEG反向问题的错误性.
• 为了提高非侵入性脑活动定位的准确性和可靠性.

主要方法:

• 开发了一个两部分的框架:数据集模拟和神经网络培训.
• 使用3现实头模型和边界元素方法 (BEM) 进行EEG前问题模拟.
• 包含用于生理约束的皮质功能地图,以及用于监督学习的模拟广泛的EEG皮质数据.

主要成果:

• 与传统方法相比,DeepMapper在回收EEG空间源方面表现优越.
• 神经网络通过重量层和非线性连接的监督学习有效地存储了先前的信息.
• 模拟结果验证了拟议的深度学习框架的有效性.

结论:

• DeepMapper为EEG空间源成像提供了一种新且有效的方法.
• 该方法显示了促进非侵入性脑功能研究的巨大潜力.
• DeepMapper为具有挑战性的EEG反向问题提供了更准确的解决方案.