[論文レビュー] Sparse Bayesian Learning for EEG Source Localization

Sajib Saha, Frank de Hoog+4 more|arXiv (Cornell University)|Jan 19, 2015

Sparse and Compressive Sensing Techniques参考文献 34被引用数 3

ひとこと要約

本稿では、脳領域内にグループ化された電流双極子に等方性制約を課したスパースベイジアン学習（SBL）を用いた新しいEEG源局在化手法を提案する。実際の頭部モデルにおいて、6つの同時源まで75%以上の精度で局在化を達成し、等方性を考慮しない標準SBLに比べ顕著に優れている。標準SBLは3つを超えると困難となる。

ABSTRACT

Purpose: Localizing the sources of electrical activity from electroencephalographic (EEG) data has gained considerable attention over the last few years. In this paper, we propose an innovative source localization method for EEG, based on Sparse Bayesian Learning (SBL). Methods: To better specify the sparsity profile and to ensure efficient source localization, the proposed approach considers grouping of the electrical current dipoles inside human brain. SBL is used to solve the localization problem in addition with imposed constraint that the electric current dipoles associated with the brain activity are isotropic. Results: Numerical experiments are conducted on a realistic head model that is obtained by segmentation of MRI images of the head and includes four major components, namely the scalp, the skull, the cerebrospinal fluid (CSF) and the brain, with appropriate relative conductivity values. The results demonstrate that the isotropy constraint significantly improves the performance of SBL. In a noiseless environment, the proposed method was 1 found to accurately (with accuracy of >75%) locate up to 6 simultaneously active sources, whereas for SBL without the isotropy constraint, the accuracy of finding just 3 simultaneously active sources was <75%. Conclusions: Compared to the state-of-the-art algorithms, the proposed method is potentially more consistent in specifying the sparsity profile of human brain activity and is able to produce better source localization for EEG.

研究の動機と目的

• 脳活動におけるスパarsityモデリングの向上を通じて、EEG源局在化の精度と一貫性を向上させること。
• ノイズが多く、不適切な逆問題であるEEG逆問題において、複数の同時神経源を局在化する課題に対処すること。
• 具体的には、電流双極子の等方性という物理的制約をSBLフレームワークに組み込み、源の分解能を向上させること。
• 提案手法の性能を、実際のMRIベースの頭部モデルにおける標準SBLと比較して評価すること。
• 制約付きSBLを用いて、高精度で最大6つの活性源を局在化可能であることを実証すること。

提案手法

• 本手法は、頭皮EEG測定値から神経電流源の位置と強度を推定するためにスパースベイジアン学習（SBL）を用いる。
• 神経活動の空間的スパarsityをよりよく反映するために、脳領域内での電流双極子のグループ化を導入する。
• 等方性制約を課し、脳活動に関連する電流双極子が等方的であると仮定することで、モデルの曖昧性を低減する。
• 皮膚、頭蓋骨、脳脊髄液、脳を適切な電導度値を伴って含む、MRI画像のセグメンテーションから得られる現実的な頭部モデルを用いる。
• ベイジアンフレームワークを用いて逆問題を解き、物理的に妥当な解を等方性制約を通じて強制しながら、スパース解を促進する。
• 制御されたノイズなし条件下でのシミュレーテッドEEGデータを用いて、アルゴリズムの数値的評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 SBLに等方性制約を組み込むことで、現実的な頭部モデルにおけるEEG源局在化の精度が向上するか？
• RQ2 双極子のグループ化と等方性を組み込んだSBLの性能は、標準SBLに比べ、複数の同時神経源の局在化においてどのように異なるか？
• RQ3 等方性制約は、EEG逆問題におけるスパarsityモデリングと源分解能をどの程度向上させるか？
• RQ4 提案手法は、ノイズのない環境下で、6つの活性源を高精度に信頼性高く局在化できるか？
• RQ5 脳領域内での双極子のグループ化は、源局在化のロバスト性と一貫性を向上させるか？

主な発見

• ノイズのない環境下で、提案手法は6つの同時に活性化された源を75%以上の精度で正確に局在化した。
• これに対して、等方性制約を課さない標準SBLは、3つの同時活性源に対しても75%未満の精度にとどまった。
• 等方性制約により、SBLの性能が顕著に向上し、解の曖昧性が低減され、スパarsityモデリングが強化された。
• 最先端のアルゴリズムと比較して、本手法は脳活動のスパarsityプロファイルを識別する点で優れた一貫性を示した。
• 脳領域内での双極子のグループ化は、より現実的で安定した源局在化結果をもたらした。
• 結果から、本SBLベースの手法は、高精度でマルチソースEEG源局在化に有望であると示された。