多重约束下的MEG源定位:一个扩展的贝叶斯框架( MEG source localization under multiple constraints: An extended Bayesian framework )

J Mattout C Phillips WD Penny MD Rugg KJ Friston MEG Inverse problem Multiple constraints Empirical Bayes Restricted maximum likelihood (ReML Model selection ROC Multivariate Source Prelocalization (MSP

脑电图(EEG)和脑磁图(MEG)作为功能脑三维成像技术，需要可识别的分布式源模型。EEG/MEG信号源的重建依赖于这些模型的反演，由于解不连续依赖于数据，并且在缺乏先验信息或约束条件的情况下没有唯一的解，因此是不适定的。我们描述了一个通用的框架，它可以在一个常见的逆解中解释几个先验。提出了一种基于分层线性模型的经验贝叶斯框架，用于分析功能性神经成像数据[Friston,K.,Penny,W.,Phillips,C.,Kiebel,S.,辛顿,G.,Ashburner,J.,2002.神经成像中的经典和贝叶斯推理：理论.NeuroImage 16,465-483],最近在EEG的背景下进行了评估[Phillips,C.,Mattout,J.,Rugg,M.D.,Maquet,P.,Friston,K.,2005.EEG中源重建问题的经验贝叶斯解决方案.NeuroImage 24,997-1011]。该方法包括估计期望的源分布及其条件方差，条件方差受经验确定的先验方差分量混合的约束。估计用期望最大化(EM)给出方差分量的限制极大似然(ReML)估计（根据超参数）和源参数的最大后验(MAP)估计。在本文中，我们扩展了该框架以比较不同的先验组合，使用了基于贝叶斯模型选择的第二级推理。利用Monte-Carlo仿真，首先将ReML与经典的加权最小范数(WMN)解在单一约束下进行了比较。然后，使用先验值的各种组合来评估ReML估计值。采用标准准则和基于ROC的测量方法来评估定位和检测性能。经验Bayes方法被证明是有用的：（1）对于单先验，ReML显著优于WMN；（2）有效定位先验改进了ReML源定位；（3）无效位置先验不显著影响绩效。最后，我们展示了如何利用对数证据的模型选择来选择先验信息的最佳组合。这使得对MEG/EEG源重建的多个基于先验的正则化的全局策略成为可能。

SciDown文献求助系统（解决99%问题） Public Download Elsevier Taylor & Francis Springer 万方医学 掌桥科研 dx.doi.org Ingenta Oxford Univ Press NCBI Europe PMC ResearchGate ProQuest ResearchGate Citeseer EBSCO orbi.ulg.be deepdyve.com core.ac.uk utdallas.influuent.utsystem.edu www.socolar.com pubfacts.com eprints.ucl.ac.uk scienceopen.com hdl.handle.net mysciencework.com orbi.ulg.ac.be frontiersin.org ueaeprints.uea.ac.uk mendeley.com onAcademic