通过具有自动深度加权的分层贝叶斯算法从MEG数据绘制脑活动图：敏感性与特异性分析
神经元与认知
2017-07-19 v1 数值分析
摘要
最近提出的IAS MEG逆求解器算法，基于分层贝叶斯模型与计算高效的Krylov子空间线性求解器的耦合，已被证明对浅层与深层脑源均表现良好。然而，关于其敏感性与特异性作为活动位置函数的系统性研究仍然缺失。我们提出新颖的统计协议来量化MEG逆求解器的性能，特别关注其在识别活跃脑区时的敏感性与特异性。我们利用这些协议对IAS MEG逆求解器的敏感性与特异性进行系统性研究，并将其性能与三种标准反演方法wMNE、dSPM和sLORETA进行比较。为避免轶事测试对特定算法的偏向，所提协议基于蒙特卡洛采样，在给定的图谱中每个脑区内生成一组活动块。敏感性通过重构活动平均而言在模拟活动块所属脑区内集中的程度来衡量。特异性分析基于贝叶斯因子，将估计的电流活动解释为数据，用于检验活跃脑区被正确识别的假设与任何错误归属的假设。该方法允许存在单个或若干个同时活动的区域，且无需假设活动区域数量已知。测试协议表明，IAS求解器在皮层与皮下活动估计方面的敏感性与特异性均表现良好。
引用
@article{arxiv.1707.05639,
title = {Brain activity mapping from MEG data via a hierarchical Bayesian algorithm with automatic depth weighting: sensitivity and specificity analysis},
author = {Daniela Calvetti and Annalisa Pascarella and Francesca Pitolli and Erkki Somersalo and Barbara Vantaggi},
journal= {arXiv preprint arXiv:1707.05639},
year = {2017}
}