文摘
我们提出一个脑电图源定位的新方法。一个有效的解决这个问题,需要选择一个合适的正则化项来约束最初的问题。在我们的工作中,我们采用贝叶斯框架将约束;因此,先验分布的正则化项紧密相连。更具体地说,我们提出一个新的稀疏先验脑电图的定位。提出了先验分布的稀疏特性有利于焦脑电图来源。为了获得一个有效的算法,我们使用变分贝叶斯(VB)框架为我们提供了一个驯服的封闭方程的迭代算法。此外,我们提供了扩展的方法在这种情况下,我们观察到的组织结构和空间扩展脑电图来源。我们已经完成实验使用合成脑电图数据和真实的脑电图数据从三个公开的数据集。真正的脑电图数据产生由于听觉和视觉刺激的呈现。 We compare the proposed method with well-known approaches of EEG source localization and the results have shown that our method presents state-of-the-art performance, especially in cases where we expect few activated brain regions. The proposed method can effectively detect EEG sources in various circumstances. Overall, the proposed sparse prior for EEG source localization results in more accurate localization of EEG sources than state-of-the-art approaches.
1。介绍
脑成像技术是重要的工具,因为他们给了我们能够理解复杂的人类行为的神经机制在认知神经科学。他们也在脑部肿瘤和癫痫患者临床应用功能性大脑成像有助于神经外科规划和导航(1- - - - - -4]。在各种脑成像技术,脑电图(EEG)比由于EEG设备的低成本,高时间分辨率的EEG信号,可移植性的脑电图设备。EEG是一种非侵入性脑成像技术测量头皮电动电位产生的大量的神经元在大脑功能。神经元放电的识别是非常重要的,因为它使我们能够研究大脑动力学在毫秒时间尺度。电流源的识别负责大脑内的电活动基于在头皮脑电图活动记录(通过电极)是在脑电图处理的主要问题之一。这个问题被称为脑电图源定位(3,4]或EEG逆问题[3,5]。
EEG逆问题包括位置和振幅的计算脑电图来源的脑电图活动和头部的几何和电导率特性。在过去的二十年里,各种各样的方法已经发展为脑电图来源的识别。这可以分为两个大组:(a) dipole-fitting模型和(b)分布式源模型。Dipole-fitting模型代表了大脑活动使用少量的偶极子和试图估计振幅,方向,一些解释的偶极子的位置数据4,5]。然而,这些方法是敏感的初始猜测偶极子的数量和他们的初始位置。另一方面,分布式源代码方法使用大量的偶极子与固定位置和试图估计他们的振幅通过求解一个线性反问题[4,5]。EEG线性逆问题是不适定的,因为脑电图来源的数量远远大于EEG传感器的数量。此外,问题是由于噪声的存在变得更加困难。
分布式源代码的方法可以分为两个大的家庭,反映出他们如何处理时间的维度。从一个方面,我们有方法估计空间源分布即时通过即时(3),而另一方面,我们有时空建模方法(3,4]。家庭都有自己的优点和缺点。例如,instant-by-instant(瞬时)方法是适合连续大脑扫描(3),而时空的方法适用于脑电图来源与振荡活动(3]。最早报道瞬时方法是最低标准的评估(外资企业)6]。然而,这种方法往往更喜欢低活性脑电图接近表面的消息人士在强脑电图来源深度。纠正这一问题,提出了各种方法包括加权最小准则,洛雷塔(7]和sLoretta [8]。上面的方法需要调整正则化参数通过交叉验证过程或L-curve方法(5]。占的时间演化脑电图来源,作者使用了时空模型(4,9,10]。这个家庭的代表算法是多个稀疏先验算法(11],香槟算法[12),和基于卡尔曼滤波算法9]。假设我们有更大的时间点比传感器,这些算法为我们提供准确的估计源发展跨越时间。
脑电图来源可能具有诱导大脑活动相关的各种属性。脑电图的来源,知道如果它是焦点的关键(13,14),其空间格局(它的附近是如何影响)11,15,16),和是否存在振荡活动时间3,9- - - - - -11,15]。此外,结合脑电图来源产生复杂的大脑活动,跨越多个空间(和/或)量表(15]。所有这些属性可以观察结合或分离取决于底层脑电图研究。此外,这些属性都包含在整体分析通过假定的脑电图资料模型和各种假设模型。显然,线性观测模型(17,18),线性动态模型(或卡尔曼滤波器)17,18),和多个测量向量(MMV)模型(19]做出不同的生成模型假设生成EEG数据的潜在机制。
脑电图来源的空间属性编码成线性观测模型通过使用先验分布或正则化项。在这种情况下,我们期望(即局部活动。,in certain types of epilepsy), a suitable assumption is to assume that EEG sources are sparse, meaning that a few of them are activated at a specific time instant. In that case, sparse prior distributions could be used [13]或正则化项的形式L1-norm [14,20.]。然而,脑电图来源也可以稀疏和空间分布。基于此,许多作者开发各种sparsity-promoting方法包括在他们的方法空间扩散属性通过将大脑分割到不同的预定义区域(11),利用正则化项考虑的空间扩展脑电图来源(21),通过扩展导致场矩阵多个空间尺度上(15,16]。然而,稀疏的空间规模可能应用仍然是一个区域的调查。
在目前的工作中,我们提出一个新的框架来处理本地化(焦)活动,可以在多个空间尺度扩展。我们的贡献,对EEG源定位,(a)是一个新的稀疏先验脑电图的定位来源(22)和它的扩展包括group-sparse结构,(b)扩展(或修改)领导领域矩阵空间扩展脑电图来源的情况下,和(c)广泛的实验用三个真正的脑电图数据集各种属性以及它们之间的差异。这工作已经报道的初步版本(22]。本文的其余部分组织如下。节2,我们将描述该算法逆脑电图的解决问题的方法。然后在节3,我们的实验方法合成和真实的脑电图数据。另外,比较我们的算法与基线和最先进的算法。最后,在节4我们讨论我们工作的结论和未来的发展方向。
2。材料和方法
2.1。线性观测模型
在EEG逆问题,我们希望找到大脑活动的脑电图测量和头部的几何和电导率性质。在我们的工作中,我们使用分布式源模型。这意味着我们使用有限数量的偶极子在大脑皮层在给定的位置。因此,潜在的头皮是一个偶极子振幅的线性组合,由以下方程: 在哪里 脑电图测量向量收购吗电极, 包含的振幅偶极子在三维空间 是导致场矩阵描述电磁场的传播从来源到传感器和它包含相关信息的几何和电导率性质。向量是加性高斯白噪声。脑电图观察模型的反问题的方程(1)由估计向量考虑到数据和铅场矩阵 。在下一小节,我们将描述这一过程的方法通过使用变分贝叶斯(VB)框架。更具体地说,我们定义层次稀疏的振幅脑电图来源之前,模型的可能性,及其hyperparameters。同时,我们可以在这里观察瞬时线性观测模型适用于情况我们没有时间样本之间的相关性,噪音,数量和来源不稳定,时间样本的数量小于传感器的数量。
分布式脑电图源定位代表着高度不适定问题的测量是为了虽然未知比 。降低问题的复杂性的一个方法是限制的解决方案空间通过减少未知数的数目。在这个方向上,使用两种方法:很多限制的解决方案(或脑电图来源)大脑皮质表面和的位置约束在偶极子取向23,24]。上面的限制体现在领导领域的建设矩阵 。在我们的工作中,我们检查上述这两种情况。
2.2。稀疏贝叶斯学习
从机器学习的角度来看,稀疏是一个非常有用的属性,因为处理的速度在一个稀疏表示,几个系数揭示了我们正在寻找的信息。因此,稀疏先验模型帮助我们确定订单以自动方式,减少其复杂性。除了上述之外,从大脑成像的角度来看,使用稀疏先验的动机是基于局部(或局部)活动,可以观察到在某些类型的癫痫和观察稀疏激活大脑中在高认知处理过程中所揭示的各种脑成像技术。在[13),稀疏先验,基于伯努利拉普拉斯算子之前,使用导致的后验分布估计不能计算近似值表达式。出于这个原因,作者在13使用马尔可夫链蒙特卡罗框架。
在这部作品中,脑电图来源被当作一个随机变量在零均值和方差的高斯分布 : 在哪里是高斯分布的象征。在稀疏贝叶斯学习文献[18,25,26),一个常见的方法是假设协方差矩阵是一个对角矩阵元素 。每个参数 ,控制脑电图的先验分布来源 ,遵循一个伽马分布,所以整个之前是一个产品的伽马分布 然而,在我们的研究中,我们引入一个参数的分布。更具体地说,我们假设协方差矩阵是一个对角矩阵元素 。在我们的分析中,参数是假定为已知的和确定的数量。
在这一点上,这是值得研究的边际先验分布脑电图来源通过消除hyperparameters :
方程(3)可以被认为是一个学生t与零均值分布形状参数c一个和尺度参数 。我们可以看到,参数控制学生的规模t分布。此外,采用过程类似于(25),我们可以显示脑电图来源不当之前 。现在,通过设置 ,我们获得 可以被认为是一个非常“稀疏”之前。
总体精度(逆方差)遵循一个伽马分布的噪音: 在哪里和的规模和伽马分布的形状,分别。我们使用伽马分布噪声组件有两个原因:首先,这个分布是高斯分布共轭,这有助于我们推导的封闭解,其次,它将积极限制总体方差和缩放参数。
所以,整个模型参数之前 是由 。给出的数据的可能性
应用VB方法(17),我们需要定义一个近似后基于分解的参数 。在我们的研究中,我们选择如下分解:
应用VB方法和考虑上述分解,得到后验如下:
每个分布的时刻运用下列方程迭代直至收敛计算:
在上面的方程,矩阵是一个对角矩阵 在其主对角线。为 ,我们遵循的注意事项27和我们设置 。对其他类似的方法25,28),我们可以观察到方程的差异(7)和(8)。更具体地说,在我们的方法中,参数由相应的加权参数 。观察这参数是影响边缘学生的规模t分布(见方程(3))。
2.3。Group-Sparse先验
在随后的分析中,我们假设EEG来源有一群结构。更具体地说,我们定义向量组脑电图来源等包含系数分配给集团 。稀疏团体之间可以通过仔细选择的先验分布。假设先验独立组,每个组之间遵循一个零均值和协方差矩阵的高斯分布 ,之前的系数是由 在哪里是高斯分布的象征。此外,我们假设每个参数 ,控制集团稀疏的脑电图来源 ,遵循一个伽马分布,所以整个之前是一个产品的伽马分布 。上述层次之前属于共轭分布的家庭和众所周知的稀疏特性25,26对团体。像以前一样(见部分2。2),我们改变上述前通过引入一个参数。更具体地说,我们假设先验协方差矩阵是一个对角矩阵的元素 。在我们的分析中,参数是假定为已知的和确定的数量。现在,先验分布的系数是由
使用以上group-sparse之前和之后类似的VB程序,在前面的小节中,我们可以推出一个迭代算法。更多信息关于算法的推导过程可以发现在29日]。同时,对上述算法,系数可能属于多个组。团体之间的重叠是允许的;然而,必须采取特别注意为了反映大脑的解剖和功能属性。
它有趣的在这一点上检查可能的组策略对EEG逆问题。我们可以观察到,在方程(1)偶极子是由三个组件在领导领域的矩阵,每个三维空间的一个。所以,一个明显的选择分组为每个偶极子是定义一组。在这种情况下,我们有 和 group-sparse之前。分组的另一个选择是使用一个解剖(或功能)模板(或大脑地图)来定义组。最后,第三个选项是定义组通过使用标准基于偶极子(即之间的距离。偶极子在近距离将以类似的方式)。观察,前两组的创建策略是基于信息与大脑的结构、组织和功能。同时,在这些情况下,一个偶极子只属于一组(组脱节的集和它们之间没有重叠),而在基于距离分组,一个偶极可能属于不同的组(组间存在重叠)。在上述情况下,组织的结构被认为是已知算法的应用程序。
2.4。空间扩展脑电图来源
在上面的部分中,我们假定脑电图来源是焦点在自然界中,我们检查了他们的原始脑电图中稀疏源域。然而,脑电图来源可能是空间扩展的情况下(如在认知任务或自发状态3]。在本节中,我们借用了一个一般的思想从压缩感知框架30.]。更具体地说,我们假设脑电图的来源, ,在另一个域是稀疏的,我们叫它什么 - - - - - -域。在我们的方法中, - - - - - -域可能是小波域,傅里叶域中,离散余弦域,或任何其他代表的线性变换,矩阵 。EEG的来源, ,可以写成 在哪里包含系数是一个向量的脑电图资料吗 - - - - - -域和也这个向量稀疏性质的假设资源的稀少 - - - - - -域。现在,我们工作的基本方程(方程(1可以写的) - - - - - -域
我们可以观察到,修改了原铅场矩阵的变换矩阵 , 。使用前面的算法(或任何其他稀疏诱导算法),我们可以找到系数 ,最后,EEG来源可以通过使用方程(12)。
的选择 - - - - - -域(反映在矩阵的结构 )原始脑电图来源的性质是至关重要的, 。这种选择也必须包含一些关于原始脑电图的先验知识来源。这里观察脑电图来源是定位在3 d网格空间;因此,直接使用小波变换和傅里叶变换不是一项容易的任务。此外,解释结果从神经生理学的角度更为困难。因为我们的目标是找到空间扩展脑电图的来源,我们采用本地空间平滑内核(16]。更具体地说,为 - - - - - -th脑电图源,我们定义 在哪里 之间的空间距离吗 - - - - - -th和 - - - - - -th脑电图来源,是一个参数控制之间的空间平滑扩展个人脑电图来源。在我们的工作中,参数被认为是已知的;然而,我们可以使用交叉验证方法或方法估计了基于多个内核学习(31日,32]。在方程(12),我们可以验证原始空间扩展是由于脑电图来源的属性向量(稀疏)和矩阵(空间扩展)。
结束这一节中,我们想要提到三种方法,使用贝叶斯框架,提供。第一种方法(我们叫它风扇)中所描述的部分2。1提出了整体方法论的骨干。此法适用于发现焦脑电图由于其来源稀疏属性。第二种方法(我们叫它FanGr)的延伸风扇的方法。该方法的主要特点是,现在我们可以定义组脑电图来源。最后,第三种方法(我们叫它FanSmooth)类似于第一种方法,但在领导领域一个关键的区别矩阵。在这最后一个方法中,我们使用一个修改导致字段矩阵利用CS的思想框架。
3所示。实验和结果
在本节中,我们提出我们的使用合成脑电图数据与相应的实验结果和真实的脑电图数据从三个脑电图实验。真正的脑电图数据产生由于表示参与者的听觉和视觉刺激。在所有的实验中,我们使用了实地考察工具箱(33)预处理脑电图数据矩阵,构建领域。在我们的研究中,我们采用了两种方法的建设导致场矩阵,cortical-based方法,volumetric-based方法。
3.1。实验使用合成脑电图数据
合成数据与几个点态源激活(见方程(1)生成使用真实头模型根据电极与电极位置的国际体系的真空度。在我们的研究中,我们调查的两种情况,对渠道的数量,128个频道和256个频道。
3.1.1。激活
在我们的工作中,我们研究了两种不同的激活:(1)单偶极子激活,(2)多个偶极子激活。第一个案例代表了一个偶极子是激活众多,第二例代表情况很多偶极子(可能是遥远的)被激活。活跃的脑电图资料的振幅是样本一个零均值和方差的高斯分布。最后,对脑电图测量,我们研究两种情况:无噪声的测量和噪声测量。在噪声测量中,我们添加高斯白噪声和信噪比(信噪比)被定义为60分贝。
3.1.2。铅场矩阵
对铅场矩阵,我们调查了两种情况的建设:cortical-based情况和volumetric-based情况。皮质的基础:在这种情况下,偶极子放在一个空间网格覆盖皮质表面。偶极子的位置和方向是固定的。此外,方向是皮质表面法线(13,24]。最后,从神经生理学的角度来看,大脑皮层(即源空间。,we assume that the observed electrical activity is produced by a specific brain structure). The number of dipoles was 5124; hence, the resulting lead field matrix is 或 。基于体积(或网格):在这种情况下,偶极子放在一个空间网格覆盖整个大脑。另外,偶极子的位置是固定的,但方向是免费的。此外,源空间包括大脑皮层、皮层下结构和小脑。网格分辨率设置为2020 cm导致偶极子;因此,产生的铅的字段矩阵 或 。总的来说,在这组实验中,我们检查配置EEG逆问题对渠道的数量,导致场矩阵的类型,噪声的存在(或没有),激活的类型。每个配置重复50次为了获得平均结果对每个方法的性能。
3.1.3。性能的措施
为了评估算法的性能,我们采取以下措施。重建误差:我们使用真正的脑电图之间的重建误差来源, ,估计和脑电图的来源, ,给出的 。这一措施将决定该算法恢复源能量。定位误差(20.]:我们使用模拟源和之间的欧几里得距离估计的最大活动范围内邻近模拟源。这一措施将决定该算法能够找到模拟源的地步。在我们的研究中,你的邻居将25毫米(20.]。度规(16]:这个指标计算 ,在哪里命中率和吗是假阳性率。这种方法估计接收机算子下的面积特征(ROC)曲线和相关算法的检测精度(如果ROC曲线下的面积大,命中率高相比,假阳性)。为了定义命中率,我们遵循类似的过程,16],我们包括在计算命中率至少0.1%的体素的最大激活定位结果。最后,我们将我们的方法与以下方法:(a)的最低标准估计量(外资企业)[4,6),EEG逆问题的经典方法,(b)使用VB的关联向量机方法(RVM-VB)[28)和(c)平原香槟(冠军)[4,12)从肉豆蔻工具箱使用可用的代码(34]。
3.1.4。结果合成的脑电图数据
在图1cortical-based领先时,我们提供结果字段使用矩阵对所有性能的措施。结果的措施,所示活动脑电图的数量的来源,通道的数量,和噪音的存在(或没有)。我们可以看到,该方法提出了最佳的性能比其他方法。更具体地说,该方法给出了最小的重建和位置误差和最高的价值指标。这是观察到的在所有情况下无论活动脑电图来源的数量或渠道的数量或噪音的存在。此外,在图2,结果当volumetric-based领导领域使用矩阵。在这组实验中,我们使用,同时,组版的方法从一个偶极子可以被认为是一群三个基本偶极子(分别为三维空间)。我们观察到两个版本的方法呈现更好的性能(的重建误差、位置误差和比其他方法度量)。同时,我们可以看到,对于大多数激活配置文件,采用分组结构增加了我们的分析的性能,尤其是当我们有多个激活。很明显,该方法能够更准确地重建脑电图不引入误差来源的空间格局脑电图源(s)的位置检测精度高。
3.2。实验中使用真实的脑电图数据
在本节中,我们提供我们的结果从实验中使用真实的脑电图数据从三个脑电图数据集。EEG实验旨在研究大脑对听觉和视觉刺激的反应。此外,在本节中,我们包含在我们的分析FanSmooth( )方法。的值空间平滑已获得的经验评估后决定大脑地图。
3.2.1之上。实验使用听觉脑电图数据
在本节中,我们使用脑电图执行实验数据对应于一个听觉古怪的范式和他们可以从主页下载实地考察toolbox2。原始的脑电图数据由600年试验。每个试验的持续时间是2秒,1秒前脑电图数据的声刺激,刺激后和脑电图数据的1秒。脑电图活动记录使用128个频道在1000赫兹。EEG试验第1 - 40带通滤波在赫兹和downsampled在250赫兹。使用基于真实头模型皮质表面的方法。偶极子的数量是5124;因此,产生的铅的字段矩阵 。erp是由平均超过所有试验。在这个实验中,大脑源检测算法的时间点对应的峰值在frontal-central头皮脑电活动的时间范围100毫秒到200毫秒之间。
使用上述方法估计大脑活动图所示3。的风扇,FanSmooth,RVM-VB,冠军方法目前颞叶的激活,如预期在听觉实验。然而,风扇,FanSmooth,冠军方法提供激活两半球的颞叶,虽然RVM-VB方法只提供激活右侧颞叶。的外资企业方法不显示出在颞叶的激活。除了上述之外,除了,我们观察到的所有方法冠军右额叶,现在激活。这种类型的激活听觉实验中并不罕见,尤其是当涉及到不正常的音调(35,36]。
3.2.2。实验使用视觉诱发电位脑电图数据(面部)
本节中使用的脑电图数据是多通道的一部分脸SPM软件中可用数据集3。这个数据集收购面孔知觉研究的主题必须判断一组混合的面孔的对称性和炒的面孔。可以找到更详细的数据集(37]。脑电采集系统是128 -通道ActiveTwo Biosemi系统采样频率等于2048 Hz。数据被downsampled 256 Hz,工件被拒绝后,309年的时代是平均20赫兹和低通滤波。使用基于真实头模型皮质表面的方法。偶极子的数量是5124;因此,产生的铅的字段矩阵 。
估计活动的所有方法如图所示4(100毫秒)。仔细检查这些图片显示,所有方法目前主要激活在枕叶预计在这样的实验。然而,我们也可以观察到大量的差异对激活的类型。更具体地说,RVM-VB和风扇方法现在最紧凑的激活区域比其他方法。此外,风扇,FanSmooth,冠军方法目前双边激活枕叶,虽然RVM-VB和外资企业方法目前只激活右侧枕叶。此外,风扇和外资企业方法存在二次激活大脑额叶。除此之外,外资企业方法提出了激活补充运动区。
3.2.3。实验利用稳态视觉诱发电位脑电图数据
在本节中,脑电图数据对应一个稳态视觉诱发电位(SSVEP)脑机接口(BCI)模式(38]。在这个数据集,40-target视觉刺激了23.6英寸液晶显示器。视力正常或corrected-to-normal的35名健康受试者参与了这项研究。脑电图数据记录与根据延长10 - 20 64个电极系统为了满头脑电图记录。根据事件触发数据提取时代产生的刺激计划。所有数据时代downsampled 250 Hz。EEG数据带通(零阶段)过滤从4赫兹到90赫兹和无限脉冲响应(IIR)过滤(通过使用filtfilt在MATLAB函数)。从这个数据集对于我们的分析,我们使用EEG试验从第一个主题对应的首要目标。
在这个实验中,检测到大脑源通过计算平均头皮脑电活动1秒到4秒之间。估计算法如图的大脑活动5。我们可以观察到,所有算法提供激活区域在左枕叶的一部分。除此之外,外资企业方法也提供激活右侧枕叶的一部分。此外,我们可以观察到激活的额叶FanSmooth和外资企业方法,而风扇和FanSmooth在颞叶方法提供一个额外的激活。
结束本节与真正的脑电图数据,值得提供一个定性比较方法和它们的属性。的风扇算法提供了最紧凑的激活区域比其他方法由于其固有的稀疏的特征。这一观点是合理的,通过观察结果,真实的脑电图数据以及使用方程(“理论”的影响3)。另一方面,FanSmooth算法提供了一个空间扩展激活区。在这两个极端情况下撒谎RVM-VB算法和冠军算法。然而,这是意料之中的事,因为,(1)RVM-VB算法和冠军算法使用类似脑电图来源之前,不鼓励稀疏比我们之前提出的解决方案,和(2)的基本版本不能处理空间扩展来源。
3.2.4。体积导致场矩阵
在本节中,我们提供了实验使用面临脑电图数据。然而,我们使用体积导致场矩阵的偶极子放在一个空间网格覆盖整个大脑。网格分辨率设置为2020 cm导致偶极子;因此,产生的铅的字段矩阵 。我们的目标在这些实验是探索我们的算法基本偶极子组的行为。我们进行对比FanGr,风扇,冠军算法。的FanGr算法的扩展风扇算法当我们想利用偶极子组,而我们使用冠军算法作为基线算法进行比较。
在图6,我们提供上述算法的估计活动面临的脑电图数据。脑电图数据的预处理步骤中描述的部分3.2。2。我们可以观察到,所有算法提供激活枕叶。然而,我们可以观察到不同的激活模式。激活的区域更大冠军算法,其次是风扇算法,最后,FanGr算法提供了最小的枕叶的激活区域。也,我们可以观察到激活的力量更强在左侧枕叶的一部分FanGr和冠军算法,而风扇算法提出了强烈激活枕叶的两个部分。除了上面的,我们可以观察到冠军算法提供了一个辅助激活顶叶中不能合理的实验和结果的类型,我们获得的所有其他算法和两个铅场矩阵;因此,我们假设这是一个假的激活。结束这一节中,我们想要提到两种类型的领导领域矩阵不影响结果,无关的方法用来解决EEG逆问题。然而,这种观察也影响脑电图实验的类型。
4所示。结论
在这项工作中,我们提出了一种新的算法(及其逐步扩展)来解决EEG逆问题。在这种类型的逆问题,关键部分正则化项。为了规范EEG逆问题,我们采用贝叶斯方法;因此,合法化纳入整个过程的先验分布。此外,我们提出新的稀疏先验脑电图的造型来源。这些先验的主要贡献是,现在我们能够在脑电图检查稀疏的概念来源造型,使用结构组。此外,计算机科学的基本概念框架被用来为我们提供修改导致场矩阵专业造型空间扩展脑电图来源。根据贝叶斯公式,我们的问题是棘手的后验分布求出这个问题,我们采用了VB框架。拟议中的贝叶斯方法测试使用头模型具有不同的几何图形。获得的结果,使用合成和真实的脑电图数据,显示我们的方法的优点在脑电图来源的估计。
在未来,我们的研究将集中在头部的准确建模的属性和时空扩展BCI的我们的方法与应用程序域(39- - - - - -41]。更具体地说,我们打算把头部模型与不同头几何形状和组织导率采用multikernel学习方法。multikernel方法可以让我们扩展的同时估计(或组合)导致场矩阵和脑电图以迭代方式来源。此外,时空的版本我们的模型基于MMV模型(1,2,19能够设计出]为了研究脑电图微观状态(42在BCI域。除了上述之外,借鉴图像超限分辨(43),我们可以提供与增加空间分辨率的脑成像技术。最后,脑电图源定位与CS理论有着密切联系(30.,44]。然而,典型的施工方法导致场矩阵不产生一个传感矩阵与CS理论的两个基本属性,不连贯和限制等距性质。调查程序是很重要的,可以为我们提供一个铅场矩阵具有这两个属性。
数据可用性
听觉脑电图数据被发现http://www.fieldtriptoolbox.org。面对知觉EEG数据被发现https://www.fil.ion.ucl.ac.uk/spm/data。SSVEP的脑电图数据都是免费的http://bci.med.tsinghua.edu.cn/download.html。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是项目的一部分MAMEM收到资金从欧盟的地平线2020研究和创新计划根据授权协议。644780和项目NeuroMkt被欧洲区域发展基金共同投资欧盟和希腊国家基金的操作程序竞争力、创业与创新,在调用研究创建创新(项目代码t2edk - 03661)。