我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
确定大脑内负责产生在头部表面测量的脑磁图(MEG)信号的神经源的大小和位置是功能神经成像中的一个挑战性问题。大脑中潜在源的数量超过了记录位置数量的一个数量级。因此,由于问题的不确定性,对神经源的大小和位置的估计将受到限制。设计用于解决这种不平衡的一种著名技术是最小范数估计(MNE)。这种方法要求我2正则化约束,用于稳定和调节源参数估计。然而,这些类型的正则化子在时间上是静态的,没有考虑MEG实验生物物理学固有的时间限制。在本文中,我们提出了一个动态状态空间模型,该模型考虑了候选皮质内来源内部和之间的空间和时间相关性。在我们的模型中,观测模型是由麦克斯韦方程的稳态解导出的,而代表神经动力学的潜在模型是由随机游走过程给出的。我们表明,卡尔曼滤波器(KF)和卡尔曼平滑器(也称为固定区间平滑器(FIS))可用于解决随后的高维状态估计问题。利用贝叶斯估计和卡尔曼滤波之间众所周知的关系,我们表明MNE估计具有显著的零偏差。计算这些高维状态估计值是一项具有计算挑战性的任务,需要高性能计算(HPC)资源。为此,我们使用NSF Teragrid超级计算网络来计算源估计值。在模拟和实际体感MEG实验的分析中,我们证明了状态空间算法相对于MNE的性能改进。我们的发现证明了高维状态空间建模作为解决MEG源定位问题的有效手段的优势。
克里斯托弗·J·朗。 帕特里克·L·珀登。 西蒙娜·特梅雷安卡。 尼尔·U·德赛。 马蒂·哈梅内恩(Matti S.Hämäläinen)。 埃默里·布朗(Emery N.Brown)。 “使用高性能计算解决动态脑磁图逆问题的状态空间解决方案。” 附录申请。统计。 5 (2B) 1207年至1228年, 2011年6月。 https://doi.org/10.1214/11-AOAS483