结合空间波形和稀有贝叶斯学习,用于扩展脑源重建

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
• 信号处理 信号处理

背景情况:

• 从M/EEG数据中准确地重建扩展皮质活动是具有挑战性的,因为问题的不良条件性质.
• 现有的方法难以精确地定位,振幅和时间路径估计,特别是分布式源.

研究的目的:

• 开发和验证一种用于在皮层表面使用光谱图波小组 (SGW) 重建扩展皮层活动的新方法.
• 精确地定位分布式大脑源,从M/EEG数据估计它们的振幅和时间进程.
• 为了解决源重建中固有的数值优化挑战.

主要方法:

• 使用在皮层表面定义的光谱图波小组 (SGW) 系统建模分布式M/EEG源.
• 通过变化或贝叶斯式配方估计未知的波形系数,结合稀疏诱导先验,如稀疏贝叶斯式学习 (SBL).
• 将基于SGW的方法与使用真实M/EEG数据和数值模拟的并发方法进行比较,使用补充指标评估重建质量.

主要成果:

• 基于SGW的方法可以准确地识别扩展的皮质源.
• SGW与SBL的组合显示出卓越的性能,消除了对超参数调节的需求,并适应不同的信号噪声比率 (SNR).
• 这种方法在所有指标上产生了强有力的结果,并在减少深度偏差方面表现出色.

结论:

• 谱图皮层波段对于M/EEG源重建是有效的,特别是与SBL结合使用时.
• 从M/EEG数据中精确地定位,深度,幅度和时间过程估计大脑活动,对临床应用具有重大潜力,例如改善发作源检测.