一个深度学习框架,利用时空特征融合来实现电生理源成像
Wuxiang Shi1, Yurong Li1, Nan Zheng1
1College of Electrical Engineering and Automation, Fuzhou University, Fuzhou, China; Fujian Key Laboratory of Medical Instrumentation and Pharmaceutical Technology, Fuzhou University, Fuzhou, China.
Computer methods and programs in biomedicine
|April 17, 2025
概括
本研究介绍了SSINet,这是一种用于电脑图像 (EEG) 源成像的深度学习框架. SSINet准确地估计了大脑活动,在模拟和真实世界的数据中表现优于现有的方法.
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:
- 电生理学源成像 (ESI) 不侵入性地测量大脑活动,但这是一个错误的反向问题.
- 传统的ESI方法使用的先验可能无法捕捉到大脑活动的复杂性.
- 提出了一个新的深度学习框架,SSINet,用于使用EEG准确地估计时空大脑活动.
研究的目的:
- 开发一个深度学习框架,SSINet,用于改进脑电图 (EEG) 源成像.
- 为了准确地估计大脑活动的时空动态,非侵入性地.
- 克服传统的ESI方法的局限性,这些方法依赖于可能不准确的先验.
主要方法:
- SSINet结合了空间特征的残余网络 (ResBlock) 和时间动态的双向LSTM.
- 变压器模块融合了特征并捕捉了全球依赖关系,通过道关注来加强优先考虑活跃地区的关注.
- 一个加权损失函数解决了大脑活动固有的空间稀疏性.
主要成果:
- 在各种条件 (例如信号噪声比,源数) 的数值模拟中,SSINet显著超过了最先进的ESI方法.
- 该框架证明了对电极位置偏移和导电率变化的稳定性.
- 对真实EEG数据集 (视觉,听觉,体感) 的验证表明SSINet的重建活动与已知的大脑功能保持一致.
结论:
- SSINet提供准确和稳定的电生理学源成像.
- 深度学习方法提高了基于EEG的大脑活动映射的可靠性和可解释性.
