用于脑电源定位的贝叶斯结构化稀疏先验技术报告
统计方法学
2015-09-16 v1
摘要
本报告为脑电源定位问题引入一个新的分层贝叶斯模型。该模型通过促进结构化稀疏性来搜索局灶性脑活动。这种稀疏性通过一个分配给脑活动的多元伯努利-拉普拉斯先验获得，在贝叶斯框架中近似于 伪范数正则化。采用部分塌缩的吉布斯采样器来抽取渐近服从所提贝叶斯模型后验分布的样本。生成的样本用于在无监督框架下联合估计脑活动和模型超参数。引入两种不同类型的 Metropolis-Hastings 移动以加速吉布斯采样器的收敛。第一种移动基于每个 MCMC 链内的多次偶极子移位，而第二种移动则利用与不同 MCMC 链相关联的提议。我们使用合成数据和真实数据，将所提方法与加权 混合范数正则化以及一种基于多重稀疏先验的方法进行性能比较，结果表明我们的算法在多种场景下具有优势。
引用
@article{arxiv.1509.04576,
title = {Bayesian Structured Sparsity Priors for EEG Source Localization Technical Report},
author = {Facundo Costa and Hadj Batatia and Thomas Oberlin and Jean-Yves Tourneret},
journal= {arXiv preprint arXiv:1509.04576},
year = {2015}
}
备注
38 pages, extended version of a paper that will be submitted for publication