MEG 逆问题的时空动态解：一种经验贝叶斯方法
应用统计
2016-06-21 v3 神经元与认知
定量方法
摘要
MEG/EEG 是以高时间分辨率记录脑活动的非侵入式成像技术。然而，从表面记录估计脑源电流需要求解一个不适定逆问题。神经科学中从神经元网络模型到静息态成像与神经生理学的多方证据均表明，皮层激活是一个分布式的时空动态过程，由局部和长距离神经解剖连接共同支持。由于此类时空动态是脑生理的核心，逆解可通过融入这些动态模型得以改进。在本文中，我们提出一种基于最近邻自回归的皮层活动模型，该模型以符合神经生理学和神经解剖学的方式纳入了分布式源之间的局部时空相互作用。我们开发了基于卡尔曼滤波、固定区间平滑器和 EM 算法的动态最大后验期望最大化 (dMAP-EM) 源定位算法，用于估计皮层源与模型参数。我们将 dMAP-EM 算法应用于模拟实验以及人类实验数据。此外，我们推导出将动态估计公式与标准静态模型相关联的表达式，并展示动态方法如何最优地同化过去与未来数据。我们的结果确立了在具有数千个源位置和数百个传感器的大规模分布式源空间中进行时空动态估计的可行性，所得逆解相比静态方法提供了显著的性能提升。
引用
@article{arxiv.1511.05056,
title = {A Spatiotemporal Dynamic Solution to the MEG Inverse Problem: An Empirical Bayes Approach},
author = {Camilo Lamus and Matti S. Hämäläinen and Simona Temereanca and Emery N. Brown and Patrick L. Purdon},
journal= {arXiv preprint arXiv:1511.05056},
year = {2016}
}