×
亚历山德罗·维亚尼；吉安维托里奥·卢里亚；阿尔贝托·索伦蒂诺；哈拉尔德博恩弗雷思

贝叶斯调整高斯的地方：稳定多极估计的条件高斯先验。 （英语） Zbl 1473.62097号

反向探测。成像 1099-1119（2021）第5号第15页.
摘要：我们提出了一个非常简单但功能强大的泛化模型和算法，用于从磁/脑电图数据估计多个偶极子。具体来说，泛化包括在一组条件线性/高斯变量的标准偏差上引入对数均匀超验。我们使用数值模拟和实验数据集来表明，在超参数的大范围值下，后验分布的近似值保持非常稳定，实际上消除了对超参数的依赖。

引用于1文件

MSC公司：

2015年1月62日 贝叶斯推断
62华氏35 多元分析中的图像分析
62升12 序贯估计
92 C55 生物医学成像和信号处理
65二氧化碳 蒙特卡罗方法
62页第10页 统计学在生物学和医学中的应用；元分析

关键词：

贝叶斯反问题；层次模型；超验的；M/EEG（脑电图）；条件高斯模型；序贯蒙特卡罗

软件：

MNE公司
PDF格式BibTeX公司 XML格式引用
\textit{A.Viani}等人，《反问题》。成像15，编号5，1099--1119（2021；Zbl 1473.62097）
全文： 内政部 arXiv公司

参考文献：

[1] Z·A·阿卡尔；S.Makeig，《神经电磁正向头部建模工具箱》，《神经科学方法杂志》，190，258-270（2010）·doi:10.1016/j.jneumeth.2010.04.031
[2] C.阿盖勒贝雷；A.阿尔曼萨；J.Delon；Y.Gousseau；P.Musé，用于联合图像去噪和插值的贝叶斯超验方法，及其在hdr成像中的应用，IEEE计算成像学报，3633-646（2017）·doi:10.1109/TCI.2017.2704439
[3] A.F.Ansari；H.Soh，超验诱导的潜在表征的无监督解纠缠，《AAAI人工智能会议论文集》，33，3175-3182（2019）·doi:10.1609/aaai.v33i01.33013175
[4] J.Ballé，D.Minnen，S.Singh，S.J.Hwang和N.Johnston，《具有比例超验的变分图像压缩，预印本》（2018），arXiv:1802.01436。
[5] D.卡尔维蒂；哈库拉；马齿苋；E.Somersalo，脑源定位的条件高斯超模型，SIAM成像科学杂志，2879-909（2009）·Zbl 1176.62107号 ·doi:10.1137/080723995
[6] D.卡尔维蒂；A.Pascarella；F.Pitolli；E.萨默萨罗；B.Vantaggi，通过具有自动深度加权的分层贝叶斯算法从meg数据绘制大脑活动图，《大脑地形图》，32，363-393（2019）·doi:10.1007/s10548-018-0670-7
[7] D.Calvetti，M.Pragliola，E.Somersalo和A.Strang，从少量噪声数据中进行稀疏重建：具有广义伽玛超先验的分层贝叶斯模型分析，反问题，36（2020），025010，29页·Zbl 1464.62365号
[8] D.Calvetti、E.Somersalo和A.Strang，层次贝叶斯模型和稀疏性：l 2-magic，反问题，35（2019），035003，26页·Zbl 1490.62078号
[9] F.科斯塔；H.Batatia；T.Oberlin；C.D'Giano；J.Tourneret，使用结构化稀疏先验进行贝叶斯脑电图源定位，NeuroImage，Elsevier，144142-152（2017）·doi:10.1016/j.neuroimage.2016.08.064
[10] P.Del道德；A.水龙头；A.Jasra，序贯蒙特卡罗采样器，《皇家统计学会杂志：B辑（统计方法）》，68，411-436（2006）·Zbl 1105.62034号 ·文件编号：10.1111/j.1467-9868.2006.00553.x
[11] R.Douc和O.Cappé，粒子滤波重采样方案的比较，ISPA 2005。2005年第四届图像和信号处理与分析国际研讨会论文集，IEEE, (2005), 64-69.
[12] M.M.Dunlop；M.A.Iglesias；答：。；M.Stuart，层次贝叶斯水平集反演，统计与计算，271555-1584（2017）·Zbl 1384.62084号 ·doi:10.1007/s11222-016-9704-8
[13] S.N.Evans和Philip B.Stark，作为统计的逆问题，逆向问题，18（2002），R55-R97·Zbl 1039.62007号
[14] A.甘尼桑；M.里格比；A.Zammit-Magion；A.人员配备；R.普林；P.弗雷泽；C.Harth；K.Kim；P.克鲁梅尔；S.Li，使用分层贝叶斯方法表征大气痕量气体反演的不确定性，Atmos。化学。Phys，1433855-3864（2014）
[15] A.Gramfort，M.Kowalski和M.HäMäläinen，使用加速梯度方法的M/eeg逆问题的混合范数估计，医学和生物学物理学, 57 (2012), 1937.
[16] A.Gramfort、M.Luessi、E.Larson、D.A.Engemann、D.Strohmeier、C.Brodbeck、R.Goj、M.Jas、T.Brooks、L.Parkkonen等人，用于处理脑磁图和脑电图数据的MNE软件，神经科学前沿, 7 (2013), 267.
[17] A.格兰福特；M.Luessi；E.拉尔森；D.A.Engemann；D.Strohmeier；C.布罗德贝克；L.Parkkonen；M.S.HäMäläinen，用于处理MEG和EEG数据的MNE软件，Neuroimage，86，446-460（2014）·doi:10.1016/j.neuroimage.2013.10.027
[18] A.格兰福特；D.Strohmeier；J.Haueisen；M.S.HäMäläinen；M.Kowalski，《时间-频率混合形式估计：非平稳源激活的稀疏M/EEG成像》，NeuroImage，70，410-422（2013）·doi:10.1016/j.neuroimage.2012.12.051
[19] P.J.Green，可逆跳跃马尔可夫链蒙特卡罗计算和贝叶斯模型确定，生物统计学，82711-732（1995）·Zbl 0861.62023号 ·doi:10.1093/生物技术/82.4711
[20] M.HäMäläinen、R.Hari、R.J.Ilmoniemi、J.Knuutila和O.i V.Lounasmaa，脑磁图学——理论、仪器和在工作人脑非侵入性研究中的应用，现代物理学综述, 65 (1993), 413.
[21] W.K.Hastings，使用马尔可夫链的蒙特卡罗采样方法及其应用，生物特征，57，97-109（1970）·Zbl 0219.65008号 ·doi:10.1093/biomet/57.1.97
[22] Y.Hu，W.Yang和J.Liu，用于学习图像压缩的粗到细超前体建模，程序。AAAI Conf.Artif.公司。智力。, (2020), 1-8.
[23] J.Kaipio和E.Somersalo，统计和计算反问题《应用数学科学》，第160页，Springer Science&Business Media，2006年·Zbl 1068.65022号
[24] J.凯皮奥；E.Somersalo，《统计反问题：离散化、模型简化和反犯罪》，《计算与应用数学杂志》，198493-504（2007）·Zbl 1101.65008号 ·doi:10.1016/j.cam.2005.09.027
[25] J.凯撒；W.Lutzenberger；H.Preissl；H.阿克曼；N.Birbauer，声源偏侧处理的右半球优势，神经科学杂志，206631-6339（2000）·doi:10.1523/JNEUROSCI.20-17-06631.2000
[26] S Knake；E.哈尔格伦；H.Shiraishi；K.Hara；H.哈默；P.Grant；V.卡尔；D.福克斯；S.Camposano；E.Busa，《多通道脑电和脑电图在70名癫痫患者术前评估中的价值》，《癫痫研究》，69，80-86（2006）·doi:10.1016/j.eplepsyres.2006.01.01
[27] G.卢里亚；D.杜兰；E.维萨尼；S.Sommariva；F.罗通迪；D.R.Sebastiano；F.潘齐卡；M.皮亚纳；A.Sorrentino，频域贝叶斯多极模型，《神经科学方法杂志》，312，27-36（2019）·doi:10.1016/j.jneumeth.2018.11.007
[28] J.C.Mosher；R.M.Leahy；P.S.Lewis，Eeg和meg：逆方法的正向解，IEEE生物医学工程学报，46，245-259（1999）·数字对象标识代码：10.1109/10.748978
[29] E.Niedermeyer和F.Lopes da Silva，脑电图：基本原理、临床应用及相关领域Lippincott Williams&Wilkins，2005年。
[30] A.Nummenmaa；T.Auranen；M.S.HäMäläinen；I.P.Jääskeläinen；J.Lampinen；M.Sams；A.Vehtari，分布式MEG源的层次贝叶斯估计：变分和MCMC方法的理论方面和比较，NeuroImage，35，669-685（2007）·doi:10.1016/j.neuroimage.2006.05.001
[31] S.Pursiainen、A.Sorrentino、C.Campi和M.Piana，脑电图用最低阶Raviart-Tomas元件的正向模拟和反向偶极定位，反问题，27（2011），045003，第17页·Zbl 1216.35178号
[32] V.Rimpiläinen、A.Koulouri、F.Luka、J.P.Kaipio和C.H.Wolters，脑电图源成像中颅骨电导率不确定性的贝叶斯建模，电子商务委员会&NBC 2017施普林格，（2017），892-895。
[33] J.Sarvas，生物磁性反问题的基本数学和电磁概念，Phys。医学生物学。，32, 11-22 (1987) ·doi:10.1088/0031-9155/32/1/004
[34] D.舒马赫；B.T.沃；B.-N.Vo，多目标滤波器性能评估的一致性度量，IEEE信号处理学报，56，3447-3457（2008）·Zbl 1390.94399号 ·doi:10.1109/TSP.2008.920469
[35] F.Sciacchitano；S.Lugaro；A.Sorrentino，太阳耀斑的稀疏贝叶斯成像，SIAM成像科学杂志，12，319-343（2019）·Zbl 1436.62303号 ·doi:10.1137/18M1204103
[36] S.Sommariva和A.Sorrentino，半线性逆问题的序贯蒙特卡罗采样器及其在脑磁图中的应用，反问题，30（2014），114020，23页·Zbl 1329.92070号
[37] A.Sorrentino、G.Luria和R.Aramini，用自适应序贯蒙特卡罗采样器对单个地形进行贝叶斯多极建模，反问题，30（2014），045010，22页·Zbl 1301.92045号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。