基于随机多分辨率扫描（RAMUS）的焦面近场与远场 EEG 源定位中的条件指数先验

本文关注非侵入式脑电图（EEG）中重建兼具皮层成分与弱可检测深部成分的分布式脑活动的反问题。我们特别旨在推广此前广泛使用条件高斯先验（CGP）形式，以实现更高聚焦度的分布式重建。为此，我们引入一种作为层次先验的一般指数分布，称为条件指数先验（CEP）。一阶 CEP 对应于强化聚焦性的 Laplace 先验，但其存在严重深度偏置，致使深部活动无法恢复。我们通过 RAMUS 在多个分辨率层级上采样以减小该偏置，因为已知其依赖于源空间的分辨率。此外，我们基于脑活动的生理学先验知识，提出一种获取调控 CEP 的 gamma 超先验形状与尺度参数的流程。后验估计使用迭代统计方法、期望最大化与迭代交替序贯算法计算，我们证明这些算法在算法上相似，且与迭代重加权方法高度类似。在与人正中神经刺激相关的模拟体感诱发电位的数值实验中，将 CEP 的性能与近期基于采样的偶极子定位方法 Sequential semi-analytic Monte Carlo estimation（SESAME）进行比较。结果表明，一阶 CEP 与 RAMUS 的混合可达到与二阶情形（CGP）相当的精度，同时具有更高聚焦性。进一步，所提混合方法对噪声影响表现出鲁棒性，并与 SESAME 获得的偶极子重建结果相当。