源到传感器合 (SoSeC) 作为一种有效的工具,用于定位来自EEG和MEG数据的交互源

科学领域:

• 神经科学是一个神经科学.
• 生物物理学的生物物理.
• 信号处理 信号处理

背景情况:

• 从EEG/MEG数据中估计相互作用的大脑源的传统方法涉及对对计 voxel 合的计算,这是计算密集的.
• 这些标准方法可能太慢了,特别是当需要消除偏差时.

研究的目的:

• 从电脑学 (EEG) 和磁脑学 (MEG) 数据中识别相互作用的神经源的新,计算效率高的方法.
• 解决与传统的源交互估计技术相关的计算成本和潜在偏差.

主要方法:

• 提出了一种新的方法,该方法取代了双向voxel合,并最大化了每个源和传感器空间信号之间的合.
• 使用连贯性的虚构部分作为合措施,以避免自我合混.
• 讨论了与矢量束造型器和eLoreta相关的概念方面.

主要成果:

• 拟议的方法可在模拟和实证EEG数据中稳定检测合源.
• 证明新方法比传统方法快数百倍.
• 与现有方法相比,EEG静止状态数据分析显示了更大的统计能力.

结论:

• 新型源传感器合最大化方法是识别来自EEG和MEG交叉光谱的交互源的有效工具.
• 这种技术在神经连接分析的速度和统计能力上提供了显著的改进.