[논문 리뷰] Sparse Bayesian Learning for EEG Source Localization

Sajib Saha, Frank de Hoog외 4명|arXiv (Cornell University)|2015. 01. 19.

Sparse and Compressive Sensing Techniques참고 문헌 34인용 수 3

한 줄 요약

이 논문은 뇌 영역 내에서 그룹화된 전류 분극체에 대한 등방성 제약 조건을 포함한 희소 베이지안 학습(SBL)을 사용하여 새로운 EEG 원천 국소화 방법을 제안한다. 현실적인 머리 모델에서, 이 방법은 동시에 최대 여섯 개의 원천을 국소화할 때 75% 이상의 정확도를 달성하며, 등방성 조건이 없는 표준 SBL보다 유의하게 뛰어나다. 이는 세 개를 넘는 원천 국소화에서 성능이 저하되는 표준 SBL에 비해 뚜렷한 우월성을 보인다.

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.

연구 동기 및 목표

• 뇌 기능 활동의 희소성 모델링을 향상시켜 EEG 원천 국소화의 정확도와 일관성을 높이는 것.
• 노이즈가 많고 잘 정의되지 않은 EEG 역문제에서 다수의 동시 신경 원천을 국소화하는 과제를 해결하는 것.
• 특히 전류 분극체의 등방성이라는 물리적 제약 조건을 SBL 프레임워크에 통합하여 원천 해상도를 향상시키는 것.
• 제안된 방법의 성능을 현실적이고 MRI 기반의 머리 모델에서 표준 SBL과 비교 평가하는 것.
• 제안된 방법이 높은 정확도로 최대 여섯 개의 활성 원천을 국소화할 수 있음을 입증하는 것.

제안 방법

• 이 방법은 표면 EEG 측정치로부터 신경 전류 원천의 위치와 강도를 추정하기 위해 희소 베이지안 학습(SBL)을 사용한다.
• 뇌 영역 내에서 전류 분극체를 그룹화하여 뇌 기능 활동의 공간적 희소성을 더 잘 반영한다.
• 등방성 제약 조건을 도입하여 뇌 기능 활동과 관련된 전류 분극체가 등방성임을 가정함으로써 모델의 모호성을 줄인다.
• 스캔에서 유도된 MRI 분할을 통한 현실적인 머리 모델을 사용하며, 피부, 두개골, 뇌척수액 및 뇌에 적절한 도전도 값을 포함한다.
• 베이지안 프레임워크를 사용하여 역문제를 해결하며, 물리적 타당성을 등방성 제약 조건을 통해 강제하고 희소한 해를 촉진한다.
• 제어된 노이즈 없는 조건에서 시뮬레이션된 EEG 데이터를 사용하여 수치적으로 알고리즘을 평가한다.

실험 결과

연구 질문

• RQ1 SBL에 등방성 제약 조건을 통합하면 현실적인 머리 모델에서 EEG 원천 국소화 정확도가 향상되는가?
• RQ2 분극체 그룹화와 등방성 조건을 적용한 SBL의 성능은 다수의 동시 신경 원천을 국소화할 때 표준 SBL보다 어떻게 다른가?
• RQ3 등방성 제약 조건은 EEG 역문제의 희소성 모델링과 원천 해상도 향상에 어느 정도 기여하는가?
• RQ4 제안된 방법은 노이즈가 없는 환경에서 최대 여섯 개의 활성 원천을 높은 정확도로 안정적으로 국소화할 수 있는가?
• RQ5 뇌 영역 내에서 분극체를 그룹화하면 원천 국소화의 강건성과 일관성이 향상되는가?

주요 결과

• 노이즈가 없는 환경에서 제안된 방법은 동시에 활성화된 최대 여섯 개의 원천을 75% 이상의 정확도로 정확히 국소화하였다.
• 반면, 등방성 제약 조건이 없는 표준 SBL는 세 개의 동시에 활성화된 원천조차도 75% 이하의 정확도를 기록하였다.
• 등방성 제약 조건은 해의 모호성을 줄이고 희소성 모델링을 향상시켜 SBL의 성능을 크게 향상시켰다.
• 최고 수준의 알고리즘들과 비교해 볼 때, 이 방법은 뇌 기능 활동의 희소성 프로파일을 더 우수한 일관성으로 식별하였다.
• 뇌 영역 내에서 분극체를 그룹화한 것은 더 현실적이고 안정적인 원천 국소화 결과를 도출하는 데 기여하였다.
• 결과적으로 제안된 SBL 기반 방법은 고정밀도 다중 원천 EEG 원천 국소화에 있어 유망한 접근법임을 시사한다.