.png){kind=icon}
返回
Combining Spatial Wavelets and Sparse Bayesian Learning for Extended Brain Sources Reconstruction
.png){kind=icon}
PRE
AI
DOI：10.1109/TBME.2025.3629010.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目的：从M/EEG数据中精确重建扩展皮质活动是一个困难且病态的问题。本研究提出通过皮质表面的谱图小波来建模分布式源，并解决由此产生的数值优化问题。目标是实现精确的定位，特别是对于扩展源，以及定量相关的振幅和时间进程。方法：未知源在定义于皮质表面的谱图小波（SGW）系统上进行展开。未知小波系数通过变分或贝叶斯公式进行估计，涉及通过小波域中的稀疏性来促进扩展源的先验：稀疏诱导正则化，或稀疏贝叶斯学习（SBL）。这些方法在真实（开放获取）数据和数值模拟中进行了测试和比较，并使用互补指标评估重建质量。结果：基于SGW的方法能够准确识别扩展源。与SBL的组合特别有吸引力，因为它不涉及超参数调整，并能自动适应信噪比（SNR）。它在所有考虑的指标上均产生准确且稳健的结果，在深度偏差方面表现尤为出色。结论：本文证明了谱图皮质小波在从M/EEG数据重建皮质活动中的有用性，尤其是在将空间小波与SBL耦合时。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，在癫痫等临床应用中具有重要意义，因为它可以改善对潜在癫痫发作源的检测。
Keyword:
M/EEG inverse problem
extended sources
spectral graph wavelets
learning sparse Bayesian
期刊
I
IF:
4.5
论文数:
545
被引数:
2.8W
机构
引用论文
Reconstructing spatially extended brain sources via enforcing multiple transform sparseness.png)
NeuroImage
NeuroImageIF0
PREAI
分享收藏Quantification of the benefit from integrating MEG and EEG data in minimum ℓ2-norm estimationNeuroImage
NeuroImageIF0
PREAI
分享收藏
查看更多内容