结合空间小波和稀疏贝叶斯学习进行扩展脑源重建

《IEEE Transactions on Biomedical Engineering》：Combining Spatial Wavelets and Sparse Bayesian Learning for Extended Brain Sources Reconstruction

本研究提出利用谱图小波（SGW）结合稀疏贝叶斯学习（SBL）重构M/EEG扩展皮质源活动，解决定位与深度偏差问题。实验表明，该方法在准确性、鲁棒性及减少深度偏差方面优于传统方法，对癫痫等临床源检测具有重要应用价值。

　　

摘要：

目标：从M/EEG数据中准确重建扩展的皮层活动是一个具有挑战性且条件不佳的问题。本研究提出通过在皮层表面使用谱图小波来对分布式源进行建模，并解决了由此产生的数值优化问题。目标是实现精确的定位，尤其是对于扩展源的定位，同时获得具有定量意义的振幅和时间进程信息。方法：未知源在皮层表面上定义的谱图小波（SGW）系统上进行展开。未知的小波系数通过变分或贝叶斯公式进行估计，这些公式利用小波域中的稀疏性来偏好扩展源：稀疏性诱导的正则化或稀疏贝叶斯学习（SBL）。这些方法在真实（开放获取）数据和数值模拟上进行了测试和比较。重建质量通过互补的指标进行评估。结果：基于SGW的方法能够准确识别扩展源。与SBL结合使用尤其具有吸引力，因为它不需要调整超参数，并能自动适应信噪比（SNR）。该方法在所有考虑的指标上都能获得准确且稳健的结果，在深度偏差方面表现尤为出色。结论：本文展示了谱图皮层小波在从M/EEG数据重建皮层活动方面的有效性，特别是将空间小波与SBL结合使用时。意义：能够从M/EEG数据中识别脑活动的定位、深度、振幅和时间进程在临床应用（如癫痫）中非常重要，因为它可以提高对潜在癫痫发作源的检测能力。