MEG和EEG的源分离与高阶因果分析
机器学习
2012-03-19 v1 机器学习
摘要
源分离及其连接性分析一直是脑电图（EEG）/脑磁图（MEG）分析中的重要课题。为了自动解决这一问题，我们提出了一种双层模型，其中源之间条件不相关，但不独立；这种依赖性是由其时变方差（包络）中的因果关系引起的。该模型通过两步进行识别。我们首先提出了一种新的源分离技术，该技术考虑了源的自相关（可能是时变的）和时变方差。然后，通过利用一种特殊的多元GARCH（广义自回归条件异方差）模型来发现包络中的因果关系。由此产生的因果图给出了分离源之间的有效连接；在我们对MEG数据的实验结果中，功能相似的源被分组在一起，组间存在负向影响，并且这些组通过一些有趣的源相互连接。
引用
@article{arxiv.1203.3533,
title = {Source Separation and Higher-Order Causal Analysis of MEG and EEG},
author = {Kun Zhang and Aapo Hyvarinen},
journal= {arXiv preprint arXiv:1203.3533},
year = {2012}
}
备注
Appears in Proceedings of the Twenty-Sixth Conference on Uncertainty in Artificial Intelligence (UAI2010)