来自MEG数据的源动态和相互作用的联合估计
Narayan Puthanmadam Subramaniyam1, Filip Tronarp2, Simo Särkkä2
1Department of Neuroscience and Biomedical Engineering, Aalto University, Espoo, Finland.
Network neuroscience (Cambridge, Mass.)
|July 24, 2025
概括
我们开发了JEDI-MEG,这是一个新的算法,用于从磁脑图 (MEG) 数据中联合估计源动力学和相互作用. 这种方法通过克服传统的两步方法的局限性,改善了定向功能连接分析.
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.
- 计算神经科学是一种神经科学.
背景情况:
- 磁脑电图 (MEG) 对于研究大脑活动至关重要.
- 从MEG信号中估计定向功能连接,传统上涉及到顺序源和连接估计.
- 这种顺序方法可以引入由于空间泄漏的虚假连接.
研究的目的:
- 引入JEDI-MEG,这是一个新的算法,用于从MEG数据中联合估计源动态和相互作用.
- 解决功能连接分析中传统的两步方法的局限性.
- 提高连接性估计的准确性和生理学可信性.
主要方法:
- 开发了贝叶斯选方法,用于对源和连接参数的联合估计.
- 制定了一个源位置和幅度的状态空间模型.
- 降低连接性估计在状态空间框架内的系统识别问题.
主要成果:
- 模拟的MEG数据显示,JEDI-MEG提供了比两步方法更准确的连接参数重建.
- 从视觉面部感知任务中获得的真实MEG数据证明了生理学上可信和一致的来源和连接性估计.
- 联合估计方法显著优于传统的两步方法.
结论:
- 根据MEG数据,JEDI-MEG提供了一种优越的方法来估计定向功能连接.
- 联合估计减轻了连续方法固有的空间泄漏问题.
- 该算法产生了更可靠和可解释的大脑连接洞察力.


