患者特异性头部建模对脑电图源成像的影响

摘要

电磁源成像(ESI)技术已经成为理解人脑认知过程和指导神经系统疾病可能治疗的最常见的替代方法之一。然而，ESI的准确性在很大程度上取决于正向模型的能力，该模型能够根据可用的结构数据准确描述受试者的头部解剖。为了提高ESI的性能，我们在个人定义的正演问题公式中增强了大脑结构模型，结合了模型组织间隔的头部几何复杂性和大脑组织形态的先验知识。我们使用25名受试者验证了提出的方法，从这些受试者中获取了一组磁共振成像扫描，提取了解剖学先验信息和脑电图信号集，以验证ESI方案。获得的结果证实，结合患者特定的头部模型提高了执行的准确性，并改善了焦点和深源的定位。

1.介绍

脑电图（EEG）和磁性脑图（MEG）录音被广泛用作非侵入性神经影像学技术来描述脑活动的动态，驱动以更好地了解人类脑中的认知过程和神经系统疾病。尽管如此，来自每个头皮电极的记录的EEG / MEG信号受到来自在脑皮层中的多个来源的体积传导活动的影响[1］.虽然信号直接受到每个头组的电导率模式的影响，但是许多研究集中在EEG模型上的现实头部建模的影响，因为由于不同导电隔室的实验确定的电导率值固有的不确定性的不确定性，因此尤其存在较小[2］.到目前为止，几个战略已经制定，以改善脑源生成记录头皮电位之间的局部作用的空间表示。其中，下面的技术是值得一提的电磁研究：消除或减少不必要的非脑信号或假象[3.那4.]，参考获得的脑电图数据[5.]，并增强源空间分析或源估计模型(称为电磁源成像(ESI))，该模型用于估计同步活动的神经源，这些神经源产生在头皮上测量的电势[6.］.脑组织的电导率不仅适用于ESI任务，而且对大脑刺激的大脑功能变化的基本反射器也是必不可少的[7.[经颅电刺激是一种有用的神经生理特征和诊断几种神经疾病的工具，引发了皮质兴奋性的变化[8.］.但是，增加的估计脑源的精度，并且提供目标特异性刺激，需要个性化的管道为一个准确的头部模型生成尽可能的真实[9.]，这更复杂，并且必须考虑具有不同电导率的组织电导率和隔室的各个形状。

构建现实头模型的基线方法是从头部几何和电导率场的测量构建近似表示。可以从收集的MR扫描中提取该信息，用于定量脑分析[10或使用基于相的电导率映射，这种映射依赖于材料的电导率主要影响磁场的相位这一事实[11］.因此，通过求解位势流方程(称为正问题)建立了一个真实的电导率模型。利用头部体素化，有限差分法(FDM)提供了一个网格划分的正演问题的解决方案，直接适应离散结构MRI数据的存在。因此，一旦进行MRI注册和分割的程序，就可以获得准确的头部电导率体积，编码从可用的患者特异性数据中提取的个体结构特征。进行分割的主要原因是组织分化有助于分配适当的电导率值，正如[12］.

关于ESI解决方案的源空间，单个灰质网格通常包含数千个电流偶极子(源)，这些电流偶极子(源)被放置在大脑上方的固定位置[13］.尽管如此，电活动的来源必须限制在大脑皮层的表面(即灰质)，因为它是使用皮质表面镶嵌网的最具代表性的皮层活动位置，这导致了一个具有挑战性的任务，通常需要人工干预[14］.因此，使用像FDM这样的体积头电导率解决方案创建源空间的最常用方法是将标准源模板扭曲到受试者的大脑中，从而创建特定于学科的模型。仍然，从模板中翘曲皮质网格倾向于在脑模型中产生不干舒尔的对应关系，在低质量MRI扫描的情况下产生了源重建的重要误差。考虑的另一个方面是头组组织电导率特异性不同地影响源重建方法的敏感性，这取决于它们是否基于焦点（偶极子）来源或用于重建广泛的脑活动（基于目标函数扫描）。对于颅骨和皮肤隔室，这种影响特别强大，在厘米范围内源定位误差，如[15］.

然而，在某些情况下，从个人收集的结构MRI数据可能无法用于实施ESI解决方案。另一种构建模型的可能方法是在预先计算的电导率头部模型上进行模式，而不是已经分段的模型。然而，由于计算单个头部模型需要相当长的时间，使用广义寰图模型是最理想的解决方案，可以尽可能准确地编码研究群体的正常解剖变异。尽管如此，ESI解决方案可能受益于个别患者特定电导率头部模型的额外信息。在这方面的研究中，我们分析了电导率头部模型对于结构MRI数据和人口统计学之间的依赖性的影响。为了实现这一目标，我们使用了一个广义图集，该图集可以通过在大群体中平均几个个体头部模型来建立。因此，我们采用由152名受试者生成的纽约头部模型分割，拥有五层体积分割[16］.虽然这种方法廉价，因为它避免了MRI扫描的获取，所产生的标准模型远非单独代表各种各样的主题/人群。进一步的步骤是通过在检查下的目标群体的几何信息平均来构建头部模型图。然而，尽管由地图集头模型实现的解剖细节水平，但由于平均过程而错误的几何近似可能导致有效的源定位误差[17］.最后，对每个患者的头部模型进行单独计算，将每个受试者的特定信息编码到电导率头部模型中。

然而，在几种医学应用中，使用单独定义的前瞻性模型可以是强制性的，这些应用程序需要适当的辅助诊断和对来自涉及的神经生理数据的患者状态的充分解释[18-20.］.在这方面，两种方法的结合以不同的方式增强大脑结构模型意味着观察者之间和内部的可变性，并不总是足够减少内在几何复杂性的不确定性的影响。因此，在正演问题中，需要构建单独定义的源空间，使EEG源定位更准确，并持续增强源重构研究的可解释性。

本文提出了一种基于组织信息和先验知识的脑电源定位方法，该方法以真实的患者数据为基础，努力改进正演问题中的脑结构模型。该方法依赖于两种著名的ESI方法，即低分辨率层析成像(LORETA)和多重稀疏先验(MSP)，这两种方法都是在贝叶斯公式下实现的。为了验证目的，我们针对以下三个结构复杂性计算了一个真实的患者特定头部模型:首先，我们执行基线三层分割，包括头皮、头骨和脑组织。然后，我们还包括CSF，如[21］.最后，我们完成了五层分段，包括头皮，颅骨，CSF，灰质（GM）和白质（WM）。这三个层次的复杂性允许分析导电性建模复杂性对脑电图源成像问题的性能的影响。获得的结果证明，掺入患者特异性的头部模型增强了所进行的ESI精度，提高焦点和深源的定位。议程如下：在部分2，我们概述所提出的方法创建单独定义的前进模式，我们描述了贝叶斯公式下的就业ESI方法。此外，科3.介绍了实验装置设计的比较个性化的正向模型的多个场景与真实EEG数据。在部分4.我们讨论所得到的结果的解释，陈述我们的贡献节5.．

2.方法

2．1.脑电正演问题及FDRM数值解法

脑电正向问题需要计算单个电流源头皮表面的电势，给定电导率和头部体积的几何形状。因此，脑电图频谱的相关频率如下 那Maxwell等式的Quasistatic近似用于估计头皮上的潜力。这些电位由脑中的电流产生，假设具有各向同性导电性的不均匀介质。因此，前向问题需要解决泊松方程，如下所示： 在哪里 是特定位置的电流密度 ．此外 是未知的势能， 是空间变化的电导率函数，和 头部区域的任何位置 ．

方程式解（1)要求正确定义两个电导率值不同的隔间(头层)之间的边界条件，这两个隔间被界面分开 ．因此，边界条件表明所有的电荷，只留下一个隔间的电导率 那必须转移到另一个电导率室吗(称为诺伊曼陈述): 在哪里是界面表面正常的矢量 那和代表充电。作为一个特例，因为空气的非常低的导电性，没有电流流人头（齐次Neumann语句）出来。因此，在头表面的电流密度边界表示为 ．

此外，解方程(1）还需要数值框架，允许在体积域中的部分微分方程的分段解，其适当地处理具有不规则边界的现实头模型[22］.为了满足上述要求，我们采用了[23]依赖于早期介绍的方法[24，其中拉普拉斯方程的有限差分公式(见[25)推广到带有偶极电流源的泊松方程。在有边界的假设下，所提解在分段非均匀各向同性介质中处处有效在邻近的隔间之间足够平滑。遵循FDRM方法，等式（1)由19点模板离散化共享相同顶点的体素 那启用顶点的线性公式在模板大约 那如下： 在哪里 是标量潜在价值在 -的第Th个邻居顶点 -模板中的节点 ． 是偶极电流吗 FDM系数是否取决于电导率值和节间距离[25］.

我们建议解式(3.)只在域，保持界面 那它完全包含了由 ．另外，等式（3.)产生一个线性系统，使用带有iLU预处理的BiCG稳定求解器求解[26］.然而，每一个单独的前向计算都需要很高的计算负担。为了克服这一问题，采用预先计算的互易势来加速相关逆解的计算。因此，我们计算一个超前场矩阵 对于给定的电极配置通道与源空间偶极子位于皮质表面，具有垂直于皮质表面的固定方向。

２.２.脑电图源成像

给定前导场矩阵，分布ESI方法表示脑电图测量的电磁场，其线性模型如下: 在哪里 脑电图数据是测量在一组传感器位于时间点 为的振幅电流偶极子以垂直于皮质表面的固定方向分布。此外，我们假设脑电图数据被噪声污染 与协方差 那与 ．假定源与现有协方差零个均值高斯过程 那与 那脑活动估计是在贝叶斯框架内进行的，通过解决最大后验概率问题，形式为[27]

式(5.）产生估计 这取决于传感器和源协方差矩阵。传感器噪声协方差设置为 那在哪里 是单位矩阵和 是一个超参数调制该传感器噪声方差28］.此外，我们使用两种不同的方法来构建源协方差矩阵[29]：（一世）低分辨率脑电磁断层扫描(LORETA)．源协方差矩阵，包含拉普拉斯算子 那这旨在表示具有同步激活的神经元组，寻求平滑度[30.]： (2)多个稀疏的前瞻（MSP）．源协方差矩阵由的和构成每个斑块都反映了一个潜在激活的皮层区域，该区域由其各自的超参数加权，如下所示[31]：

进一步，我们用所谓的自由能来估计超参数集，如下所示[32]： 在哪里 估计的模型协方差，有 那和 是所测量的数据协方差。除了，和 先验超参数和后验超参数的向量，和和 为先验超参数协方差矩阵和后验超参数协方差矩阵。由于式(8.)是模型精度(前两项)和模型复杂性(后两项)之间的权衡，通常用于衡量源重构性能[33］.

3.实验框架

我们开发了一个单独定义的头部建模过程，包括计算特定主题的皮层网格以及增强大脑结构模型，如图所示1．在最后一种情况下，我们评估了两种方法来增强脑电图正态问题制定中的头部结构模型:(i)通过逐步纳入每个患者的脑组织形态的实际知识来促进患者依赖的数据。为了便于比较，对以下图像数据的每一个案例分别提取解剖结构先验值:标准化MRI模板、人口图谱或一组患者特定的MRI扫描。(ii)通过增加分割脑组织的数量，构建更精确的体积组织模型。即，我们对比了以下组织模型复杂性的配置:三层结构(称为3L)，包括均匀化的脑室、颅骨和头皮;4L，将CSF添加到3L配置中;5L将4L大脑模型分为白质和灰质。因此，对于每一个图像数据和组织模型配置的复杂性，计算头部模型。对于头部模型分割的差异，使用平均分组过程中可用的概率地图进行分割。相比之下，单独的分割使用FieldTrip例程执行。 Although both segmentation procedures in Figure1不一样的是，每一个在电导率体积中主要保留个体的大脑结构。

对提出的方法来增强头巾组织模型的评价是在EEG逆问题的贝叶斯配方中完成的，其中MSP和Loreta方法作为ESI溶液进行。

3.1。NeuroImage数据集

大脑图像数据来源于年龄之间的儿童和年龄，有两种社会文化水平(中高和中低)。所有患者随机从马尼萨莱斯市的一些私立和公立学校的学前、小学和中学课程中挑选。出于法律目的，道德委员会自治大学马尼萨莱斯批准本研究，儿童家长同意书面同意参与本研究。根据这些儿童的历史资料，确定了排除标准:智力迟钝、有神经系统病史(脑外伤、癫痫及相关病史)或精神障碍(精神病住院史、自闭症及类似病史)。

从每个孩子身上获得了两个脑图像数据集：一个提供脑组织解剖先验信息的MRI集合和一个脑电图/ ERP，用于脑电图源成像性能的验证。此外，我们依赖的事实是，脑电电极放置的体积正向模型在ESI解决方案中具有重要作用。因此，我们采用基于基准的相似变换将脑电图电极与头部体积对齐。然后，我们将每个电极位置投影到头部体积的中心方向，以确保每个电极被头皮体素包围，但保证电极体素不被空气包围。（一世）MRI.．一组T1-MRI扫描从相同的使用1.5T通用电气Optima MR360扫描仪，参数如下: 像素大小, 那 那 那矢状切片 尺寸和1 mm间距。对于每个孩子，执行三个扫描以进一步平均（使用自由冲浪者套件），产生单个代表性脑MRI，以提供增强的信噪比(2)脑电图/ ERP．大脑活动数据是根据罕见视觉刺激的认知诱发电位实验范式获得的，每个诱发电位持续130 ms，而两个连续刺激之间的时间延迟为1 s。在每次刺激中，受试者必须注意罕见刺激(称为目标）并计算其发生，忽略了剩余刺激的存在（不属预定目标的)．80%的试验显示了非目标刺激，而20%的试验显示了目标刺激，结果大约是不属预定目标的刺激和目标刺激。脑电图记录采用电极对称放置在国际10-20系统的标准位置，操作单一EASY III EEG放大器（CADWell）。数据以250Hz分段，并在1秒的时期分段，其在每个受试者和刺激条件下分别平均。结果，在每个受试者的不同刺激条件下获得两个ERP，即视觉目标（V-T）和视觉非直接（V-NT）。

3.2。整合大脑结构的头部模型

为了掺入脑脑组织中的脑组织的解剖学前沿，我们通过以下头部模型单独评估ESI性能：（一世）基于模板的头部模型(NY). 作为体积导体模型的标准化版本，我们使用纽约（NY）头部，当单个MRI不可用时，该头部经常用于神经影像研究。NY允许将一个对称头部模板（ICBM-152 v2009）分割为两种组织类型（灰质（GM）和白质（WM）），并将另一个对称模板（ICBM-152 v6）分割为非脑组织（脑脊液、颅骨和头皮）。此外，还从一个附加的头部模板中提取头部下部的分割，该模板的平均值为提供数据收集的主题。因此，分段头组织与提取的下部一起复合到NY头部模型中(2)阿特拉斯（AT）头模型．大脑解剖图谱的建立是为了提供关于具体人口样本的更精确的人口统计组织信息。所以我们建立了一个通用图谱具有代表性的MRI扫描，采用指数Lie (DARTEL)算法生成一组被考虑的脑组织定制模板[34］.使用DARTEL非线性变换所有单独的概率分区，最初由统计参数映射(SPM) MATLAB工具箱提供，并将它们合并到一个单一的模板。在固定的迭代次数中进行配准过程，以增加模板的脆度。为了构建所有患者(包括所有测试组织)的图谱，使用以下默认参数使用DARTEL:线性弹性能量正则化、Levenberg-Marquardt优化和六次外部迭代（iii）患者依赖（PD）头部模型．该模型的现有信息包括单独患者依赖性结构数据，倾向于提供对每个孩子大脑的几何形状的更具体的了解，并且分别对所有被认为的脑组织进行单独的MRI分段。然而，由此产生的分割，这是使用FieldTrip管道完成的[35，可能包含一些解剖学上的错误，比如WM斑块被一个头骨包围，或者暴露在头皮外面的头骨。因此，对分割进行校正，使GM组织完全覆盖WM，同时被CSF所包含。值得注意的是，大脑分割过程包括为每个患者提取的颈部区域[36］.对于头部模型分割的差异，使用平均分组过程中可用的概率地图进行分割。相比之下，单独的分割使用FieldTrip例程执行。虽然两种分割方法并不完全相同，但每一种方法都主要在电导率体积中保留个体的大脑结构。

3.3。转发解决方案中的EEG源成像

对于非常焦源精确定位，我们的目标是构建单独定义皮质网格。因此，为了获得脑沟和脑回的造型逼真，我们建议在WM体积分割应用形态运营，更好地再现属于体积正规FDM素化中的个别素皮质层的活动。这个假设是由以下事实大脑活性主要特征在于位于唤起源区域（例如，灰质）的组织内的分配电流源和汇的支持[37］.

图中给出了产生源空间的方法的示意图2．因此，我们计算的新皮层表面网格接近顶点，以提供足够的分辨率（事实上，从最初的数据网具有多于 顶点，使用二次边抽取进行下采样)。此外，每个单个顶点都成为一个源位置，因此三角化过程会产生一个连通性映射，其中包含了相邻源和每个个体素之间的空间关系信息。

然后，根据生成的源空间，对被测头部模型配置(3L、4L和5L)的脑组织进行分割，计算出铅场。除几何复杂性外，体积传导模型还必须指定所建模的组织室的电导率分布。在这里，我们使用所检测脑组织的一致电导率值，如下所示[12]： 那 那 那 那和 ．最后，使用FieldTrip工具箱将脑电图电极共同注册到分割的头皮表面，并允许在均匀的体积空间上估计体积正向模型 ．由于FDM技术要求较高的计算量，我们对EEG通道的前导场矩阵进行互易预计算，以加快所需的前向计算。

数字3.显示结合先验信息的检查头的模型的实现分割的一些实例。需要注意的是在单独定义的正演模拟评估的所有头型号使用的是我们在开发的脑电正解计算[23］.

3.4。验证EEG源成像的方案

根据增强脑组织模型的评估方法，我们探讨了以下9种评估直接脑电图问题的场景:3L-NY、4L-NY、5L-NY、3L-AT、4L-AT、5L-AT、3L-PD、4L-PD和5L-PD。

在所有情况下，视觉刺激源重建均使用两种ESI解决方案进行验证:LORETA和MSP。在前一种情况下，是拉普拉斯算子，表示同步激活的神经元组(见公式(6.)，模拟空间一致性。在MSP的情况下，需要计算协方差分量集的先验值被构造为斑块的和，每个斑块反映了一个潜在激活的皮层区域，由各自的超参数加权(见公式(7.）））。对于ESI解决方案，PRIORS由统计参数映射软件包（SPM12）实现，将协方差分量的数量固定到对于MSP，它是通过从相干矩阵的均匀间隔柱取样形成的，以完全覆盖皮质表面。此外，在贪婪搜索算法下，通过限制极大似然法最大化自由能来调整MSP超参数。

在验证过程中，我们采用了[38，用于解决涉及神经图像和行为数据的任务中的群体级贝叶斯模型选择(BMS)问题。这种方法是基于自由能作为贝叶斯对数证据的一个近似，产生一个可靠的度量，显示哪个模型更有可能产生可用的数据[21］.为此，我们比较了被试在每个刺激条件下所得到的反解的自由能值。然后，为了测量执行组BMS问题的统计风险，log组贝叶斯因子( ），预期可能性( ），和贝叶斯综合风险(BOR， ）计算。在对数组贝叶斯因子中，当存在高于先验固定值的差异时，可以选择一个模型来支持另一个模型。这里，如果BOR小于 那由超越概率选择的最佳模型变得可信。值得注意的是，应用的度量指标估计脑电图数据生成源的概率，而不是计算从âĂIJtrueâĂİ源到其逆位置的距离的准确性。

结果

4.1。执行源成像使用解剖结构的先验

为了更好的数据可视化，将所有的对数贝叶斯因子的值通过以径向模式显示源成像性能数据的雷达图表来表示，如图所示4.．星图将每个头部模型执行的字符串数据叠加，减去通过相应刺激条件获得的最小自由能值(即最差模型)。因此，该计算因子越高，模型进行脑电源重构的效果越好[39］.请注意，每个彩色字符串描述的是单个对象获得的性能，其中灰色圆圈表示重要贝叶斯因子的情况，差异大于3个点。

数字4(一)显示了LORETA源成像解决方案实现的性能，显示了NY的测试场景产生的最低值不管考虑的刺激是什么。同时，At头模型表现最差。在MSP解决方案的情况下，图4 (b)表明，NY模型的所有测试场景产生的最小值为不管考虑的刺激是什么。关于在模型中，雷达图还表明重建精度改善，这意味着使用研究人群包含结构前瞻增强了组织模型。但是，最高值通过PD头部模型实现，从而得出在EEG正向问题中纳入头部组织信息的最佳模型。要考虑的另一个方面是每个ESI解决方案为每个患者提供的变异性。因此，尽管MSP产生的异常值比LORETA解决方案少，但在验证单独定义的正向建模期间，很难选择最佳方案。

4.2。EEG源成像方法的贝叶斯模型选择

采用小组研究的BMS，目的是在整个患者组中推广经检查的ESI解决方案所取得的性能结果。因此，BMS通过随机效应分析确定最佳源重构，假设每个受试者都来自于一个大的受试者群体，因此他的响应代表了总体分布中的一个独立样本[40］.我们通过期望后验概率和贝叶斯综合风险(BOR)进行BMS，在组水平上比较每个重建的日志模型证据。

反过来,图5.给出了执行结果，将MSP和LORETA解决方案的所有测试场景进行了比较。值得注意的是，对于所考虑的视觉刺激(BOR小于 )．

另一方面，尽管头部模型的测试场景不同，MSP在所有刺激条件下的结果都优于LORETA，这表明MSP方案在获得的重建精度上明显优于LORETA方案。这种影响可能是由LORETA解决方案在探测深部源时往往失败这一事实解释的。而且，实际源越深，LORETA估计的电流密度越模糊。相反，MSP算法包含整个皮层表面(包括局部和深部)，识别出能更好地再现神经源分布的斑块，从而能够更准确地重建表层和深层的神经源。

此外，图6.显示对随机选择的患者执行的所考虑的ESI解决方案，允许在深度重建源上解释对不同精度的上述效果。此外，纽约头部模型是由于其掺入的前沿的简单而实现的，对源重建的影响最低。所获得的源重建揭示了Loreta在整个皮质网格上扩散了活性，尽管随着所建模组织的数量增加，其普遍倾向于散射的所识别的区域增加。相反，MSP在视觉处理相关的区域上专注于最多（如后脑区域的视觉皮层），随着组织的数量增加，变得更加明显。

因此，由于MSP溶液显示出的突出的优越性，我们在接下来的程序中进一步考虑MSP溶液。为了更好地实现数据可视化，log Bayes因子的所有值， 那通过雷达图表示，雷达图以径向模式显示源成像性能数据，如图所示4.．星图将每个头部模型执行的字符串数据叠加，减去通过相应刺激条件获得的最小自由能值(即最差模型)。因此，该计算因子越高，模型进行脑电源重构的效果越好[39］.请注意，每个彩色字符串描述的是单个对象获得的性能，其中灰色圆圈表示重要贝叶斯因子的情况，差异大于3个点。

4.3。脑组织模型的比较

对于MSP源成像，我们通过组水平解释的log模型证据比较脑组织模型的增强场景。

数字7.表明最佳的大脑结构是5L-PD，由于BOR值远低于正常值，因此肯定能够以高置信度实现最高的预期后验概率（顶部以红色突出显示） ．3L- at测试场景实现了第二高的性能，甚至超过了PD模型的3L和4L层布置。此外，选择PD或AT模型的其余场景之一并没有明显的好处。事实上，除了在5L配置的情况下，两个模型的行为相似。尽管如此，基于纽约的脑组织模型所测试的所有场景都达到了模型生成观测数据的最低概率，这证实了这是结合解剖学先验的最差策略。

关于使用的组织模型复杂性，执行的贝叶斯模型选择仅推断五层排列提供了最实质性的源重建性能。其他复杂组织的模式是可比的，无论使用何种刺激和组合头部模型来整合大脑结构。

为了检查每个测试ESI溶液的质量，我们提供了一个具有代表性的受试者的源重建的目视检查，使用每个测试场景的最佳头部模型，即5L-PD、3L-AT和5L-NY。因此,图8.显示传感器空间数据，即ERP和头皮地形的例子，以及源重建(偶极功率)的结果。头皮地形图和源活动在时间范围内的平均值来（通常称为N200成分），包含与视觉刺激处理相关的大脑特异性反应[41]. ERP波形显示一个显著的颞枕部负峰，接近正常值 那这主要与视觉处理有关。

此外，重建的活动在颞叶附近定位一些组件，覆盖所有测试模型的视觉皮质。然而，5L-NY模型传播了大脑活动，这使得一些激活出现在非审美区域中。3L-AT激活具有一些视觉相关任务的中间时间回形。另外，在5L-Pd中，在需要高度需求的视觉加工/辨别要求时，出现活性贴剂，这发生了对视觉处理/辨别的高需求，确认这种前提是提高神经活动的重建。

另一个需要考虑的方面是大脑活动源定位的准确性，我们通过将组织的数量合并到头部模型中来建立脑容量分割模型。从MSP执行的结果来看，图9.显示包括脑脊液分割(即4L）仅在NY组织形态的情况下，优于传统使用的三层头部模型。否则，两种配置之间的性能差异可能因情况而异。

最后，我们研究了白体物质和灰质在体积脑细分中的灰质之间的区别，证明了最高模型复杂性（5L）对于包括解剖学前沿的每个方法几乎是最佳的，无论出现的刺激，见图（见图7.)．

5.讨论

为了增强脑电图源定位，我们开发了一个单独定义的前向模型，其中包括一个特定的皮层网格，也增强了大脑结构模型，包括组织形态的先验知识和头部分割复杂性。通过上述在真实EEG/ERP数据上验证的结果，有以下几点值得注意。

5.1。解剖结构先验的贡献

为了将脑组织的解剖学前沿掺入脑电图的前向问题中，雷达图表明，患者依赖性头模型是最佳被认为的头模型，其次是在模型中，NY模型是最糟糕的表示。这结果同意建模结构前沿的常见标准，说明各个解剖信息越多，源定位误差越小。然而，脑组织的建模对目标群体的错误形状近似非常敏感（形式，尺寸和人口统计），这导致源定位的显着误差。因此，我们不了解有关广泛使用的NY主模型的任何人口统计细节，因此，有可能更有可能具有任何特定目标人群的代表。为了降低建模和实际头组织之间的形状差异，AT模型构建了从群体中提取的平均地图集，与目标相似。需要考虑的另一个方面是所检查的患者组之间观察到的可变性，如图所示4.．因此，可能会出现一些不一致的近似，由于头部分割的复杂性，导致大脑结构恶化(见图)5.)．结果，提供了包含更现实的脑组织形态学的患者特异性的头部模型允许最大增加脑电图源定位的性能。

5.2。脑容量分割的影响

特别地，我们研究了被报道对脑脊液腔室重建有影响的脑脊液腔室。然而，我们发现忽略CSF和将此组织加入常规配置之间的性能差异可能因情况而异。表现下降的原因可能是在几种标准视觉范式中，脑脊液层厚度的一些小变化可以对脑电图信号幅度产生显著影响[42］.相反，白体物质和灰质之间的区别使得体积分割几乎是每个方法的最佳方式，每个方法都是最佳的，证明忽略这种组织划分减少了ESI溶液的结果显着减少[43］.因此，脑容量分割对正、反问题的影响很大，但必须尽可能准确地进行分割。

由于准确的体积组织分割规则构建了一个真实的有限元头部电导率用于脑电源定位，因此预期的正向方法必须适用于体积分割提供的体素化结构信息，包括更复杂的组织。特别是，我们使用FDRM方法，该方法以可忽略的计算工作量满足所需的条件。

5.3。单独定义的源重建的好处

更真实的脑沟和脑回模型增强了单独定义的前向模型。在实践中，典型来源重建被用于汇集来自多个主题的解剖数据，在皮质解剖中非常容易受到主题间变异的影响，这是一个不准确的组织建模因素。为了解决这一问题，我们提出了一种皮质网片，它经过解剖学上的转换来产生特定对象的网片。为此，我们通过在白质体积分割上应用基于扩张的形态学算子，将所有脑电活动的来源限制在灰质内，从而在皮层和WM边界之间形成一个分割的中间区域。作为一个额外的优势，我们的源空间生成方案很容易适应广泛的先前结构信息，因为它不需要任何人工干预，以确保源被封闭在灰质中。作为一个具体的例子，Figure8.在后筒式转座中显示一些聚焦来源，其实必须与测试的视觉刺激相关[44］.因此，即使患者相关的方法需要从个体的MRI提取皮质表面提取，即使计算EEG正向问题的有效方法以及头部模型对于提供更准确的非常焦点本地化至关重要。

对于偶极子源定位的影响，我们也比较了两种成熟的方法:LORETA和MSP。前ESI方法大多重建表面来源，倾向于最简单的头部模型(即NY模板)，对组织结构的详细描述最差。相反，MSP方法能够重建表层和深层来源，包括整个皮质表面。因此，更精细的ESI解决方案还可以增强单独定义的源重构。

6.结论

我们讨论了通过结合模型组织室的头部几何复杂性和脑组织形态的先验知识来提高脑电源定位性能，试图在单独定义的正演问题中增强脑结构模型。对脑电图源成像进行了几种测试场景儿童，从中获取一组MRI扫描来提取解剖指导和EEG / ERP设置，用于验证EEG源成像方案。对于模型比较，更可能产生可用数据的模型由贝叶斯日志证据确定。

其结果是，只有足够的准确体积脑分割能够有效地影响着问题，至少，对于CSF，WM和GM组织分割的检查的情况下，允许识别神经病症和异常。反过来，互补使用患者特定的头部模型，以个性化的正问题的头型号的策略，允许稳步相比，对比图谱和基于模板的头款增加源重建的性能。因此，即使患者依赖性方法要求来自个体MRI皮质表面提取，所述单独定义的正演问题的高效的计算是必要的，以提供相当焦点源更准确的定位。

我们开发一种方法，它自动定义灰质体积中的源空间，而无需任何手动干预，并且无论提供的解剖指示。此外，患者特异性头部模型的掺入将所有定义的源位于患者特异性脑腔内，从而提高了焦点和深源的定位。

另一个需要考虑的方面是所使用的源定位的影响，为此，我们比较了两种成熟的方法(LORETA和MSP)，得到了一个更复杂的ESI解决方案也可以增强单独定义的源重建。然而，组织组合必须根据所使用的源定位方法来定义。一方面，最简单的组织模型鼓励表面来源的恢复，有利于LORETA的表现。另一方面，更复杂的组织组合增强了聚焦和深源的定位，提高了MSP的性能。

由于讨论的方法使用垂直于脑表面和各向同性组织导电的一组固定偶极方向，作为未来的工作，我们计划通过各向异性组织导电产生前向模型，并开发一种允许估计偶极幅度和方向的方法。此外，当包括更多纸巾或脂肪组织的组织时，我们的目标是测试ESI性能。此外，即使先前的调查表明，CSF对增强ESI准确性至关重要，所以添加CSF的发现没有帮助PD模型中的准确性提示我们分析我们研究中使用的特定数据库的影响更为深切。

数据可用性

从儿童获得的用于支持本研究结果的大脑图像数据可根据要求从通讯作者处获得。

利益冲突

作者声明本文的发表不存在利益冲突。

致谢

这项研究是在研究计划下进行的CaracterizaciónMorfológica德Estructuras Cerebrales PORTÉCNICAS德imagen画质第下午Tratamiento MedianteImplantaciónQuirúrgica德Neuroestimuladores带拉Enfermedad德帕金森，código110180763808 Colciencias。此外，本研究的一些实验程序是由同志硕研讨会“在脑电图源重建中的地图集和患者依赖性前瞻性模型的影响”支持[45］.

参考

1. [j] . acta optica sinica, 2008, 31(4): 594 - 598。神经工程与康复杂志，第5卷，第5期。1，页25,2008。视图:出版商的网站|谷歌学术
2. A. Puce和M. Hämäläinen，“脑电图/脑磁图研究中数据获取和分析相关问题的综述，”大脑科学，第7卷，第5期第12页，2017年。视图:出版商的网站|谷歌学术
3. A.Schlögr，C.Keinrath，D. Zimmermann，R. Scherer，R. Leeb和G. Pfurtscheller，“Eog录音中的全自动校正方法”，“临床神经生理学，卷。118，没有。1，pp。98-104,2007。视图:出版商的网站|谷歌学术
4. A. Delorme, T. Sejnowski，和S. Makeig，“使用高阶统计和独立成分分析增强脑电图数据中的伪影检测”，科学杂志第34卷第3期4, pp. 1443-1449, 2007。视图:出版商的网站|谷歌学术
5. K勒佩奇，M。克莱默和C。Chu，“减轻参考效应的统计稳健EEG再参考程序，”神经科学方法杂志， vol. 235, pp. 101 - 116,2014。视图:出版商的网站|谷歌学术
6. C. M. Michel, M. M. Murray, G. Lantz, S. Gonzalez, L. Spinelli，和R. G. de Peralta，“脑电图源成像”，临床神经生理学第115卷第1期10，页2195-2222,2004。视图:出版商的网站|谷歌学术
7. P. Grant and M. Powery，“深脑刺激体积导体模型中的分散电导率和介电常数的影响”生物医学工程的IEEE交易(第57卷)10，页2386-2393,2010。视图:出版商的网站|谷歌学术
8. I. Laakso，M.Mikkonen，S. Koyama，A. Hirata和S. Tanaka，“电场可以解释多发生物直流刺激电机皮质的单独变异？”科学报告，卷。9，没有。1，p。626,2019。视图:出版商的网站|谷歌学术
9. Z吴，Y。刘先生。洪和X。Yu，“基于扩散张量成像的大脑白质各向异性导电模型综述，”医疗与生物工程与计算第56期8, pp. 1325-1332, 2018。视图:出版商的网站|谷歌学术
10. H. Hallez，B.Vanrumste，R. Grech等，“解决EEG源分析中的前向问题，”神经工程与康复杂志，卷。4，不。1,2007。视图:出版商的网站|谷歌学术
11. K罗佩拉和D。Noll，“一种使用mri进行基于相位的电导率映射的正则化、基于模型的方法，”医学磁共振，卷。78，没有。5，pp。2011-2021,2017。视图:出版商的网站|谷歌学术
12. J. Vorwerk, J. Cho, S. Rampp, H. Hamer, T. R. Knösche，和C. Wolters，“脑电图和脑磁图的头容量导体建模指南，”科学杂志， vol. 100, pp. 590-607, 2014。视图:出版商的网站|谷歌学术
13. W. Ou，M.S.Hämäläinen和P. Golland，“A分布式时空EEG / MEEG反求解器”，“科学杂志，第44卷，第5期。3, pp. 932-946, 2009。视图:出版商的网站|谷歌学术
14. R亨森，J。马特，C。菲利普斯和K。Friston，“使用模型证据选择MEG源重建的正向模型，”科学杂志第46卷，第46期1，页168-176,2009。视图:出版商的网站|谷歌学术
15. j . Vorwerk U。艾丁，C. H. Wolters和C. R. Butson，“头部组织电导率不确定性对脑电图偶极子重建的影响”，神经科学前沿， 2019年第13卷，第531页。视图:出版商的网站|谷歌学术
16. Y. Huang，L. C. Parra和S. Haufe，“纽约头 - 一种精确的标准化卷导体模型，用于EEG源本地化和TES瞄准”科学杂志，第140卷，第150-162页，2016。视图:出版商的网站|谷歌学术
17. N冯·埃伦利德，C。HMuravchik和A。Nehorai，“几何头部模型扰动对脑电正逆问题的影响，”生物医学工程的IEEE交易，第53卷，第53期3，页421-429,2006。视图:出版商的网站|谷歌学术
18. A. Irimia，S.吴作栋，C. Torgerson的等人，“脑电图逆急性创伤性脑损伤为指导，以外科手术的脑活动的定位，监测和治疗”临床神经科和神经外科第115卷第1期10, pp. 2159-2165, 2013。视图:出版商的网站|谷歌学术
19. V. Montes-Restrepo，E.Cartette，G. Strobbe等，“颅骨模型在难催化颞叶癫痫患者脑电图源成像中的作用”大脑地形，第29卷，第4期，第572-5892016页。视图:出版商的网站|谷歌学术
20. J. D. Martinez-Vargas, G. strobe, K. Vonck, P. van Mierlo，和G. Castellanos-Dominguez，“利用时空限制和时变源连接性改进癫痫发作区域的定位”，神经科学前沿，卷。2017年11日。视图:出版商的网站|谷歌学术
21. G斯特罗布，P。范米尔洛，M。de Vos等人，“EEG源重建模板正向模型的贝叶斯模型选择，”科学杂志，第93卷，第1部分，第11-22页，2014。视图:出版商的网站|谷歌学术
22. S. Tacovets，P. Poolman，A. Salman，A. Malony和D. Tucker，“高分辨率EEG的电导分析”2008国际生物医学工程与信息学会议，中国三亚，2008年5月。视图:谷歌学术
23. E库塔斯·莫拉莱斯，C。丹尼尔·阿科斯塔和G。Castellanos Dominguez，“基于各向异性有限差分的EEG正问题解决方案的iLU预处理”，年自然计算与人工计算相互作用国际工作会议， pp. 408-418，施普林格，Cham, 2015。视图:谷歌学术
24. H. Hallez, B. Vanrumste, P. Van Hese, Y. D’asseler, I. Lemahieu，和R. Van de Walle，“用于脑电图偶极子源定位的具有互易性的有限差分方法”，医学和生物学中的物理，第50卷，第5期。16, pp. 3787-3806, 2005。视图:出版商的网站|谷歌学术
25. H. Saleheen和K. Ng，“一种新的非均匀各向异性心脏组织的三维有限差分双域公式”，生物医学工程的IEEE交易第45卷第5期1，第15-25页，1998。视图:出版商的网站|谷歌学术
26. E. Cuartas Morales, C. Acosta-Medina, G. Castellanos-Dominguez，和D. Mantini，“非均匀各向异性介质中脑电图正演问题的有限差分解”，大脑地形，卷。32，不。2，pp。229-239,2019。视图:出版商的网站|谷歌学术
27. L. Harrison, W. Penny, J. Ashburner, N. Trujillo-Barreto，和K. Friston，《基于扩散的成像空间先验》，科学杂志，第38卷，第4期，第677-695页，2007年。视图:出版商的网站|谷歌学术
28. C. Phillips, M. Rugg, K. J. Friston，“脑电源定位问题线性逆解的系统正则化”，科学杂志，卷。17，不。1，pp。287-301,2002。视图:出版商的网站|谷歌学术
29. FG阿万，O。萨利姆和A。Kiran，“解决脑电源定位反问题的最新趋势和进展，”科学与工程逆问题，卷。27，不。11，PP。1521-1536,2019。视图:出版商的网站|谷歌学术
30. 刘凯，余志林，吴伟，顾志忠，“基于变异稀疏性的脑电扩展源的自动相关性判定”，Neurocomputing, 2020年。视图:出版商的网站|谷歌学术
31. E.Giraldo，G. Castellanos-dominguez和J.Martinez-Vargas，“使用动态稀疏编码为EEG反问题解决方案”增强了时空分辨率“，”国际计算机科学杂志第46卷，第46期4、2019。视图:谷歌学术
32. M. A. Jatoi, N. Kamel, J. D. López，“基于优化补丁的脑源定位的多稀疏先验技术”，国际成像系统与技术杂志，第30卷，第2期1, pp. 154-167, 2020。视图:出版商的网站|谷歌学术
33. K. Friston, L. Harrison, J. Daunizeau等，“M /EEG逆问题的多重稀疏先验”，科学杂志第39卷第3期3，第1104-1120页，2008。视图:出版商的网站|谷歌学术
34. M. Goto, O. Abe, S. Aoki等人，“在健康受试者中，通过指数李代数的异形解剖配准提供了基于地图集方法的扫描皮质容量测量的降低效果，”神经放射学，第55卷，第55期7，第869-875页，2013。视图:出版商的网站|谷歌学术
35. R. Oostenveld，P. Fries，E.Maris和J. Schoffelen，“FieldTrip：开源软件，用于MEG，EEG和侵入性电生理数据的高级分析”，计算智能与神经科学，卷。2011年，2011年9页第21页，9页。视图:出版商的网站|谷歌学术
36. B. Lanfer, M. Scherg, M. Dannhauer, T. R. Knösche, M. Burger，和C. H. Wolters，“颅骨分割不准确对脑电图来源分析的影响”，科学杂志，第62卷，第1期，第418-431页，2012年。视图:出版商的网站|谷歌学术
37. J. Mattout, R. N. Henson, K. J. Friston，《MEG的典型来源重建》，计算智能与神经科学， vol. 2007, Article ID 067613, 10页，2007。视图:出版商的网站|谷歌学术
38. L. Rigoux，K.斯蒂芬，K. Friston和J. Daunizeau，“重新用于组学习的贝叶斯模型选择，”科学杂志，卷。84，pp。971-985,2014。视图:出版商的网站|谷歌学术
39. W. D. Penny，K. E. Stephan，A. Mechelli和K.J.Ruriston，“比较动态因果模型”，科学杂志，卷。22，没有。3，pp。1157-1172，2004。视图:出版商的网站|谷歌学术
40. J. Chen和G.格洛弗“功能磁共振成像方法，”神经心理学评论，卷。25，不。3，pp。289-313,2015。视图:出版商的网站|谷歌学术
41. J. Folstein和C. Van Petten，“认知控制和不匹配对ERP N2成分的影响:综述”心理生理学第45卷第5期1，页152-170,2008。视图:出版商的网站|谷歌学术
42. J.水稻，C. Rorden，J.小，和L帕拉，“主题位置影响脑电图幅度，”科学杂志， vol. 64, pp. 476-484, 2013。视图:出版商的网站|谷歌学术
43. “脑电源定位中正向模型误差的影响”，2012.01 - 2012.12大脑地形第26卷第2期3, pp. 378-396, 2013。视图:出版商的网站|谷歌学术
44. R. Leech和D. J. Sharp，《后扣带皮层在认知和疾病中的作用》，大脑，卷。137，没有。1，第12-32，2013。视图:出版商的网站|谷歌学术
45. y . C 'espedes-Villar,基于图谱和患者依赖的正演模型在脑电图源重构中的影响。硕士论文，哥伦比亚国立大学，马尼萨莱斯，哥伦比亚，2017。

版权

版权所有©2020YohanCéspedes-Villar等。这是分布下的开放式访问文章创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。