EEG 无穷远参考的统一贝叶斯估计器：rREST
定量方法
2018-05-04 v1
摘要
脑电图（EEG）参考的选择是一个长期未决的问题，导致使用方式不一致和无休止的争论。目前，平均参考（AR）与参考电极标准化技术（REST）是两个主要且不可调和的竞争者。我们提出一个理论框架，通过将 a) 无穷远处电位的估计与 b) 参考的确定表述为一个统一的贝叶斯线性逆问题来解决该问题。我们发现 AR 与 REST 是该统一框架的非常特殊的情形：AR 源于生物物理上无信息的先验；而 REST 利用了 EEG 生成模型的先验。我们发展了 AR 与 REST 的正则化版本，分别命名为 rAR 与 rREST。二者均依赖于一个作为噪声信号比的正则化参数。利用该框架，通过模拟与真实 EEG 分析对传统及新估计器进行了评估。生成的人工 EEG 显示，在估计无穷远处 EEG 电位时 rREST 的相对误差最低。它还揭示出真实的容积导体模型改善了 REST 与 rREST 的性能。对于实际应用，平均导联场给出的结果与个体导联场相当。最后，表明利用广义交叉验证（GCV）选择正则化参数接近于基于真值的“预言”选择。当用真实 89 例静息态 EEG 评估时，rREST 一致地产生最低的 GCV。本研究通过统一逆解框架为 EEG 参考问题提供了新视角，其或可允许额外的原则性理论表述与性能数值评估。
引用
@article{arxiv.1802.02268,
title = {Unified Bayesian estimator of EEG reference at infinity: rREST},
author = {Shiang Hu and Dezhong Yao and Pedro A. Valdes-Sosa},
journal= {arXiv preprint arXiv:1802.02268},
year = {2018}
}