基于PARAFAC2的复张量分解从EEG估计脑连接
计算工程、金融与科学
2017-05-08 v1 神经元与认知
摘要
目标：神经元群体之间的耦合及其大小已被证明对各种临床应用具有信息量。估计脑连接的一种方法是使用脑电图(EEG)，从中导出不同传感器位置之间的互谱。我们希望测试张量分解在脑连接估计中的功效。方法：使用基于PARAFAC2的复张量分解将EEG分解为由空间、频谱和复试验剖面描述的头皮成分。推导了复域中的EEG模型，显示了PARAFAC2的适用性。还在提取成分的复试验剖面上推导了连接度量。结果：在基准EEG数据集上的结果证实，在一定信噪比范围内，PARAFAC2比传统张量分析(如PARAFAC)能更好地估计连接。对轻度认知障碍或阿尔茨海默病患者EEG的分析表明，PARAFAC2比传统方法更能识别脑连接的丧失，且与先前的病理知识一致。结论：复PARAFAC2算法适用于EEG连接估计，因为它允许提取有意义的耦合源，并提供比复PARAFAC更好的估计。意义：采用复张量分解的新范式已证明在基准和真实世界EEG数据集中成功识别脑连接和耦合源的位置。这可以实现未来的应用，并有可能解决一些降低传统连接度量性能的问题。
引用
@article{arxiv.1705.02019,
title = {Complex tensor factorisation with PARAFAC2 for the estimation of brain connectivity from the EEG},
author = {Loukianos Spyrou and Mario Parra and Javier Escudero},
journal= {arXiv preprint arXiv:1705.02019},
year = {2017}
}