头内的来源之间的关系和外部测量 d 被描述为 (1) d = l j , 在哪里 l 是代表领导领域的线性算子(也称为增益模型或直接模型),然后呢 j 代表了来源。两个数学性质( 1)反映了属性的物理大小。首先,同质性属性指出一个放大的图像源 k * j 是一个放大测量 k * d ,其次,附加属性两个来源的总和 j = j 1 + j 2 产生一个测量等于每个测量单独的总和 d = d 1 + d 2 。在这两个属性遵循叠加原理,也就是说, l ( k 1 * j 1 + k 2 * j 2 ) = k 1 * d 1 + k 2 * d 2 ,在那里 d 1 = l j 1 和 d 2 = l j 2 。

这个问题的不适定的本质来自于一个事实,就是两个不同的来源 j 1 和 j 2 可能会产生相同的测量 d ,也就是说, d = l j 1 = l j 2 ,这是非常相当于说,存在一个“沉默”的来源 h 这样 l h = 0 。为了看到等价,注意,如果 d = l j 1 = l j 2 因此,沉默的来源 h = j 1 - - - - - - j 2 满足 l h = l j 1 - - - - - - l j 2 = d - - - - - - d = 0 。如果我们假设,在另一个方向 l h = 0 和源的存在 j 1 这样 l j 1 = d ,我们可以建立一个新的来源 j 2 = j 1 + h 收益率相同的数据,即 l j 2 = l ( j 1 + h ) = l j 1 + l h = l j 1 = d 。

那就是说,我们可以建立一个脑电图/梅格头皮分布的主要属性(地图)。虽然类似的头皮地图不能排除的可能性在底下的来源分布不同,不同地图必然是由于不同的源分布。重要的是,我们不需要诉诸任何逆方法得出。

基于线性和在缺乏先验信息为借口,否则,我们可以代表的解决方案( 1)和一个线性算子 G “估计” j 如下: (2) j 美国东部时间 = G * d 。 替换 d 中定义它的值( 1)产生一个线性算子的基本方程估计和原始源分布 (3) j 美国东部时间 = G * l * j = R * j , 在哪里 R = G * l 是解析操作符( 2, 3]。在实践中传感器和几何形状是由离散的测量,因此可以假定 l , G , R 有限维矩阵近似连续(积分)操作符。

我们应该权衡利弊的时代扮演的角色与事件相关电位的录音。到目前为止还没有标准的试验,抖动,平均振幅,或单个试验的合理性分析。例如,信噪比(信噪比)与试验的数量增加,也就是说,时代的数量;然而,习惯可以影响一些研究的结果。我们建议一个文档概述这些类别将有利于未来的研究比较和正规化。

neuroelectric信号被埋在自发的脑电图与信噪比低至5分贝。为了降低噪音水平,找到一个 模板诱发电位(EP)信号,一个总体均值(EA)获得使用大量的重复测量( 7]。这种方法( 8将背景EEG视为附加噪声和EP为不相关的信号。的大小和延迟EP波形显示大型个人间的差异和变化取决于心理生理因素对于一个给定的个人( 9]。因此,一个方法论的EP研究目标是开发技术来提取的真正的EP波形 单扫描。

临床评估,模板EP信号或可能的振幅和/或延迟变化单一使用扫描( 9]。观察这些变化,可以确定具体的功能从模板参考/ EP基于各种评估方法。因为有相对严格约束相关的记录时间或与主题,使用EA(作为参考EP信号)通常是不切实际的。这导致了另一种信噪比改善的发展基于加法模型方法。有些算法加权平均的方法,子空间平均方法,参数滤波,自适应滤波,维纳滤波。在所有这些方法中,假设EP(即。整个实验、信号)是静止的。然而,这种假设也在质疑一些报道描述的事件相关电位叠加相位调制有节奏的活动可能与大脑的不同认知过程( 10]。

相反大多数预处理算法的好处,有一些算法之前,我们应该避免源定位算法的应用。特别是,以下选择威胁逆的完整性解决方案。

( 1 ) 基线校正。不同值的单个电极通过“任意”基线转移或扩展因素改变了表面地图,从而估计来源。虽然线性逆解,而稳定的(连续性的数据),基线校正的应用程序两个条件(相比,将来源)的基础上可以产生人工差异引起的修正而不是真正的来源。

( 2 ) 人工地图生产的总平均数据或分割算法。统计平均水平(例如,意味着)屈服值,通常没有出现在原始数据。,这并不让人感到意外,如果平均地图不存在任何主题的平均水平。此外,这种效应可以被放大的延迟差异科目。

( 3 ) 传感器的使用非常高的密度也可能危害源分析由于不同类型的噪声在不同的传感器。此外,没有明显的信息添加在大约128个电极由于噪音水平。最后,一些传感器可能会比其他人更工件测量由于其位置附近活跃的肌肉。

的开创性研究,德里斯科尔 11)使用三个同心球体,而当代研究实现现实的模型。我们发现在社区内不同的模型是必要的,但如何每种类型的几何模型有助于源定位的目标?球面模型回答一般问题的理论提供几厘米的脑电图定位精度,而现实的模型试图查明确切位置但实际上提高偶极子定位几厘米( 12- - - - - - 14]。另一方面,大多数MEG-based数值模拟的球面几何学是充分的。只有本地化的深源的头骨底部附近额颞叶和额叶区域需要一个realistically-shaped-head-volume MEG-based导体模型模拟( 15]。

几何成像形态直接相关,计算机断层扫描(CT)或磁共振成像(MRI)和分割的质量。自然,我们将问题形式segment-CT, MRI或融合CT-MRI图片( 16]。我们鼓励建模者理解的意义边界定义为一个特定的模式,不以任何方式暗示医学界提供任何病人不安全的和不必要的辐射。我们必须记住,我们选择影响分割的形式由于其灵敏度相应困难或软组织。此外,有多少组织,组织,和蛀牙的模型应该包括?我们预见到我们正在接近一个高原定位精度的改善作为细分解决方案增加的包含太多的小组织区域。研究大道之一可能受益于head-model几何学的发展是人体测量和craniometric数据的集成 17]。这条路能证明个人模型代表一个族群和否定研究声称,歪曲一个确定分组人口统计学意义。此外,它可以引导我们建立的形状和大小的统计意义的个人和组内模型的几何特性。

许多生物组织的电特性不均匀,各向异性,色散和非线性。头组织如头骨,头皮,肌肉,脑脊液,灰色和白色物质有不同的导率 σ ,介电系数 ε 和磁渗透率 μ (在大多数情况下,它被认为是等于水的渗透,这是接近自由空间的渗透性 μ o )。头骨以及头皮有多层结构,每一层具有不同的电特性。这一事实导致要么多层建模的几何组织( 18)或者将非齐次性质的组织,也就是说,张量分配 σ = σ ( x , y , z ) 和 ε = ε ( x , y , z ) 。的值和分布是一个更严重的非均质性问题在病理过程的患者群体可能会显著影响导率影响的大脑区域。可能存在一个等效混合各向同性模型代表多个各向异性层?明显这样近似如何影响源定位在健康个体相比,患者头部病态?

任何模型的电导率值影响的主要领域提出问题和逆问题的解决方案。因此,它是至关重要的,我们必须分配尽可能准确的电导率值报告从以前的文献研究和推断和插入。作为一个社区建立了电性质对于大多数头部组织电导率的范围 σ 和介电常数 ε ;然而,我们必须确定个体的实际导电性分布的头。由于这些范围,许多历史研究值平均分配给他们的组织 15, 18- - - - - - 26]。使用平均值可能不是适合个性化模型,因为这些模型可能会导致不准确的解决方案由于位置的函数 27年龄的]或[ 28, 29日]。然而,研究患者( 30., 31日)表明,用近似导率比率的头部(即一个精确的几何描述。基于主题的MRI)可能产生合理,皮层和深部脑电图来源证实的结果。不过,未来的模型可能受益于使用特定导率。我们推测,年龄的电导率值的应用程序应用于tissues-most尤其是trilayer头骨组织主要受益青春的模型,其骨化中心在前两年迅速变化和高原电导率值在18到20岁的颅顶的骨化过程完成时( 32]。

为了巩固我们的动机凸显颅骨电导率的意义,我们必须简要地深入研究它的历史。的开创性工作 11]介绍了一个标准的电导率比1:80:1 brain-to-skull-to-scalp的,这是一个历史价值仍然被一些研究者在四十年后使用。在[ 33]在尸检报告测量尸体产生brain-to-skull电导率值的比例15:1。三年后( 28]给出了电导率值现场组织低至4:1的比例。随后,万德尔,Malmivuo 29日)相关 后期活组织测量作为一种整合和评价过去的数据由于缺乏在活组织测量。他们以前的工作使用的缩放比率0.33到0.4从生活适应电导率的变化 后期组织根据电导率的死亡记录组织样本( 34, 35]。摘要之前他们提出了一个开放的问题社区更测量现场组织samples-most尤其是过头骨样品正常的体温和水分,至今仍然作为一个开放的问题。因此,它是我们歧视的条件相关的组织电导率和介电常数的值,并将被收购。值通过体内或体外测量应优先于生活 后期测量。在的情况下 后期测量,采集的时间和温度应指定的自组织特性细胞死后迅速变化。

在过去的二十年里,许多方法已经提出了人体形象的导电性。在传统应用当前电阻抗断层扫描(ACEIT) low-frequency-sinusoidal电流通过电极应用于身体表面( 36]。在感应电流电阻抗断层扫描(ICEIT)时变磁场不同spatial-field模式应用于体内诱导电流。在这两种情况下,表面电极用于使电压测量。

最近,提出了两种新方法,利用磁测量电导率分布。在磁感应成像(MII),发射线圈是由正弦电流提供时变磁场( 37, 38]。当附近的身体带来这些线圈时,涡流诱导体内。这些洋流的分布是身体的电导率分布的函数。这些电流产生了二次磁场,测量接收机中的电动势感应线圈。在磁共振电阻抗断层成像(EIT)先生,低频电流应用从身体表面,以及由此产生的磁场测量系统[先生使用一个 39, 40]。因为体内磁场测量,可以测量高分辨率图像。注意,所有方法仍在调查阶段,和没有人可以提供高分辨率的要求电导率源定位所需信息。

脑电图是传统测量使用标准的10 - 20电极系统包括只有21个测量电极。它被广泛承认的空间分辨率现代大脑研究[10 - 20系统是不够的 41- - - - - - 44]。提高脑电图的空间分辨率的第一步是提高脑电图电极的数量,市场反应与商用系统包括256个电极。

在过去的二十年中几项研究调查增加脑电图电极的数量的好处。对精度的影响提出解决方案和逆解决方案评估。在几篇文章,增加电极的数量至少有128已经被证明可以提高结果的准确性( 45- - - - - - 50]。

不同的因素影响到适当数量的电极。这些措施包括,例如,头骨的广泛讨论价值的相对电导率,这对逆解的准确性有很大的影响。此外,尤其是密集的脑电图系统的空间分辨率(128 - 512)电极测量噪声非常敏感。因此,对于不同的脑电图测量在不同的环境中进行的,适当的电极数量可能相差很大( 48]。使用活性电极将减少噪音。

超导量子干涉器件的引入(鱿鱼)成为可能测量非常低磁场引起大脑的电活动,称为脑磁图描记术,梅格。

在生物磁效应研究的开始,有很多希望生物磁效应信号包括信息独立的生物信号。如Plonsey所述 68年),这一事实根据亥姆霍兹定理标量和矢量势字段可以选择独立被认为是作为证据的独立电和磁测量。另一方面,考虑到生物的起源电流得出散度和旋度的主要电流不能任意分配。进一步的实验中描述( 68年)指出,有关贡献电场和磁场辅助源文档。因此,虽然我们不能声称的生物或生物磁效应字段就足以定义其他 69年),我们不应指望重要差异的信息记录。

结论,电和磁测量提供可比的信息已被证实的理论和仿真。使用灵敏度一半体积的新概念,Malmivuo et al。 70年]表明,脑电图和梅格记录电活动以一种非常相似的方式,也就是说,脑电图之间的差异和梅格敏感性一半量的大小和形式的敏感性分布非常小。进一步评估皮质来源的空间分辨率脑电图的球形模型导致更好的结果( 71年]。使用模拟[ 72年]证实也略有优势的脑电图在许多源位置和方向与最好的结果结合脑电图/梅格测量。最近[ 73年)模式识别技术应用于解码手运动方向同时脑电图/梅格测量,得出结论的推理运动方向对这两种技术也同样有效。

因此,它可能是有益的考虑也影响成本的记录方式。梅格仪器成本约20倍的脑电图仪器相同数量的渠道。因此,为提高逆解的准确性可能首先有利于提高脑电图技术的各个方面,也就是说,许多渠道,电极位置的准确性,头部几何模型,和组织电阻率的准确性,等等,因为改善所有这些成本远低于梅格仪器。

总之我们可以证实读者,除了成本差异,这两种技巧提供类似大脑信息来源对源定位精度,时空分辨率,和解码或预测能力。我们想强调,虽然类似的信息发现,EEG和梅格测量敏感性是正交的。EEG主要检测电力来源与足够遥远的径向头皮表面电极和切向分量时,导致彼此附近(图 2);然而,梅格主要感官磁电流所产生的电在径向方向(图源 3)。

有巨大的文献回顾的方法用于解决所谓的bioelectromagnetic-inverse问题处理的估计电活动(即。,来源)的分布在给定外部电场和磁场的测量,例如,( 44, 74年, 75年]。然而,应用逆解决方案之前我们必须决定类型的来源及其可能的分布(即。在头部、位置)。

逆解估计不同源建模假设。通过比较的数量未知的源模型的数据量,我们可以区分两种主要类型的问题(即。的解决方案)。首先,过多的问题(例如,偶极解决方案),更多的数据比未知数可以不同最小化算法及其效率逃离局部最小值,拟合优度指标以及使用生理和/或数学约束通常要求在解决方案评估/选择过程。这些模型需要假设关于大脑来源的数量和位置建模为点电流偶极子给一个独特的解决方案确定提供全球最低。这样的方法需要一个模型顺序搜索除了源参数优化( 76年]。数值模拟研究已经证明,一个准确的估计的时间动态偶极模型是非常依赖于解决能力和准确定位所有活跃的大脑区域( 77年]。虽然有一系列的生理和解剖原因,动物研究以及已经融合证据从人类血液动力学和/或代谢功能磁共振成像和宠物研究表明,感觉和认知过程可以被视为一个分布式网络焦点活动;扩展激活神经组织的可能性在某些情况下不能被忽视。深入的电极记录使用后者假设的主要证据,证明在广泛的脑区活动。然而,即使这样的录音,总结贡献的主要来源贡献和体积电流是可以预期的,应该考虑和逆模型,而不是采取这种措施作为扩展大脑激活的强有力的证据。

另一方面,我们有欠定的问题(如分布式逆解)未知数比数据与linear-minimum-norm相关方法,提出( 75年, 78年, 79年)的情况下当焦点源的假设是不合理的。这种方法是具有挑战性的,因为它可能需要进一步的权重和正则化来补偿深度偏差,选择实施数学标准或生理的。

为了帮助读者作出正确的选择,我们描述四个主要来源模型通过限制源类型和/或他们的位置和他们的主要假设。

先前的模型可以看作是数据驱动的,他们只能用非常具体和严格的实验条件下,将不会接受脑电图作为一般模型和梅格来源。此外,缺乏实验证据支持的偶极子。事实上一个偶极子将意味着一个无限期地增加潜在当我们接近它的位置。希望这从未被报告过,因为在这个位置对应于一个未定义的潜力。然而,一个更完整的源模型必须包含特定的情况下,之前的源模型,同时将这些元素的讨论到目前为止,如下。

定义适当的预处理和源模型后对我们的数据,我们面临的问题选择逆过程。以下问题可能在这个阶段有关。

overdetermined-dipolar模型的评价似乎主张采用一个直截了当的解决办法通过比较目标与措施和估计源偶极子定位错误。不幸的是,这些措施不能直接外推到我要说的分布式解决方案。这或许就是为什么分布式解决方案的评估仍然是作为一个开放的问题。显然,这可能会影响逆选择的解决方案。虽然我们不想告诉读者他/她应该做什么/使用,我们想避免讨论一些事情。

有人建议,零偶极子定位可能选择逆解的方法。这可能是出于真正的应用程序的数据是由单一焦来源(如癫痫焦点定位)的长期经验积累以及超定的(偶极)模型。这可能是一种滥用语言,这让人们相信“如果我们正确定位每一个源,然后叠加的原则我们应该正确定位任何来源的组合”。这个声明有两个明显的错误。

鉴于之前的理论缺陷,也就不足为奇了半夜无法预测的性能存在多个来源的逆解。事实上它可以证明,单一来源的正确定位是一个微不足道的财产简单而强大的方法(见工作严重·德·佩拉尔塔等人对于这个问题),我们坚持,只适用于如果集中单一源假说成立。

声音逆问题解的物理卷的方法是空间滤波器的估计,这“过滤器”活动,起源于一个特别的位置,在试图抑制从所有其他活动。这些方法现在已经重新出现的名字“beamformers”非常感激,除此之外,因为每个解决方案的解决方案可以独立计算点。继续原来的描述这些方法( 83年, 84年),很明显,减少串扰(即。,distance to the ideal resolution matrix) between sources does not necessarily imply an optimal resolution kernel. Nevertheless, current applications suggest that the solution provided by these methods is not affected by the crosstalk.

有很好的理由选择Backus-Gilbert(即。,beamformer) method such as its adaptive properties to deal with specific noise structures [ 85年]。然而,我们不能强调足够的唯一方法评估线性反演过程提供的估计是看解决内核( 2, 3, 86年]。我们为每个点单独建立一个独立的估计并不意味着这个估计不污染的影响同时活跃的来源。

为了达成这个问题的逆过程的选择积极的一面,我们提到,有一个良好的理论方法选择,更重要的是,建立一个逆解。足够的注意,infinitely-many-linear-inverse方法可以用方程描述 G = C * l ′ * ( l * C * l ′ ) + 。源 j 美国东部时间 用这种方法估计将属于空间横跨的列 C * l ′ 无噪声和噪声情况。另一方面,很明显的 3)的唯一方法改变分辨率矩阵的行(即。,the resolution kernels) is by right transformations of the lead field. These two procedures together yield meaningful source estimates, when C 根据声音先验信息,当选择一个适当的右手领先领域的转换是由( 87年]。

估计脑电图/梅格的问题来源可以解释如下。提供精确的测量数据(噪声)但当地信息。为了更了解整个系统(即。,the brain), we need to ascend to qualitatively higher levels corresponding to the surface maps and the 3D distribution of sources. By doing this we obtain a more complete global descriptor but probably also with a higher incertitude (if compared with the sensor data).

它也是如此的fMRI信号( 88年),一般来说我们不能依靠提供的振幅逆解比较神经活动在两个不同的位置。出于同样的原因,鬼和失去来源出现在每一个重建与真正的混合来源。因此,区分真正的来源从工件几乎是不可能的,除非我们知道真正的分布。因此,我们可以说,获得的源分布从一个地图可能是最不精确的图片,我们的大脑活动。

我们能做什么来增加这些功能图像的可靠性?至于部分答案,我们建议以下几点。