基于自适应序贯蒙特卡洛采样器的 MEG 单拓扑贝叶斯多偶极子建模
应用统计
2014-03-20 v2
摘要
本文提出了一种新的贝叶斯方法，用于根据脑磁图（MEG）测量的固定磁场分布（称为拓扑）来估计大脑中的神经电流。与最近描述反演技术（如时空正则化/滤波，其中神经动力学始终起作用）的研究不同，我们在此面对的是一个纯静态逆问题。神经电流被建模为数量未知的电流偶极子，其状态空间用变维模型描述。在由此产生的贝叶斯框架内，我们建立了一个序贯蒙特卡洛采样器来探索后验分布。采用了一种自适应技术，以有效平衡计算成本和样本近似质量。随后，同时估计未知电流偶极子的数量和参数。该方法的性能通过合成数据进行了评估，这些数据由包含多达四个偶极子的源配置生成。最后，我们描述了分析涉及体感诱发电场的真实实验数据所获得的结果，并将其与其他三种方法提供的结果进行了比较。
引用
@article{arxiv.1305.4511,
title = {Bayesian Multi--Dipole Modeling of a Single Topography in MEG by Adaptive Sequential Monte Carlo Samplers},
author = {Alberto Sorrentino and Gianvittorio Luria and Riccardo Aramini},
journal= {arXiv preprint arXiv:1305.4511},
year = {2014}
}
备注
20 pages, 4 figures