一个深度学习框架,用于多源EEG定位

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 机器学习 机器学习

背景情况:

• 电脑电图 (EEG) 为多个神经源提供高时间分辨率,但空间精度有限.
• 经典的反向方法往往无法定位由于"单源偏差"的紧密间隔或弱的神经发生器.

研究的目的:

• 开发一个深度学习框架,从短EEG段进行强大的多源本地化.
• 为了克服传统的EEG源成像技术的局限性.

主要方法:

• 一个卷积神经网络 (ConvNET) 在现实的EEG模拟上受过训练.
• 在培训期间使用了独特的前模型,以防止"反向犯罪"并确保通用.
• 通过对九个已建立的逆向解决方案进行基准测试,对ConvNET进行了基准测试.

主要成果:

• 深度学习方法在解决距离很近的源头方面始终优于传统的解决方案.
• 与现有方法相比,对于单源本地化,准确度保持或提高.
• 该框架在各种合成测试场景中表现出卓越的性能.

结论:

• 深度学习为EEG源定位提供了更可靠的方法,克服了传统方法固有的偏见.
• 这一进步在术前规划,脑计算机接口和神经反等领域有很大的应用潜力.