[论文解读] Bayesian Inference Applied to the Electromagnetic Inverse Problem

David Schmidt, John George+1 more|ArXiv.org|Jun 16, 1998

Image and Signal Denoising Methods参考文献 17被引用 4

一句话总结

本文提出一种贝叶斯推断框架，以解决脑磁图（MEG）中病态的电磁逆问题，生成一组可能的神经激活解的分布，而非单一估计值。通过在统一的概率模型中结合先验知识与实测数据，该方法识别出高概率的特征——如活跃脑区的位置、范围和数量——并使用模拟数据和真实视觉诱发电位MEG数据进行了验证。

ABSTRACT

We present a new approach to the electromagnetic inverse problem that explicitly addresses the ambiguity associated with its ill-posed character. Rather than calculating a single ``best'' solution according to some criterion, our approach produces a large number of likely solutions that both fit the data and any prior information that is used. While the range of the different likely results is representative of the ambiguity in the inverse problem even with prior information present, features that are common across a large number of the different solutions can be identified and are associated with a high degree of probability. This approach is implemented and quantified within the formalism of Bayesian inference which combines prior information with that from measurement in a common framework using a single measure. To demonstrate this approach, a general neural activation model is constructed that includes a variable number of extended regions of activation and can incorporate a great deal of prior information on neural current such as information on location, orientation, strength and spatial smoothness. Taken together, this activation model and the Bayesian inferential approach yield estimates of the probability distributions for the number, location, and extent of active regions. Both simulated MEG data and data from a visual evoked response experiment are used to demonstrate the capabilities of this approach.

研究动机与目标

• 通过超越单一解估计的方法，解决MEG和EEG中电磁逆问题固有的模糊性和病态性。
• 将多样化的先验信息——如神经电流的空间平滑性、位置、方向和强度——系统地整合到解算过程中。
• 通过生成一组可能的解分布而非确定性估计，量化神经源定位中的不确定性。
• 识别在多个采样解中均一致的特征，作为后验概率高的特征，从而提高推断的可靠性。
• 使用模拟MEG数据和人类受试者的真实视觉诱发电位数据，验证该方法的有效性。

提出的方法

• 在贝叶斯框架内形式化逆问题，利用贝叶斯定理将先验分布与实测数据的似然性相结合。
• 采用灵活的神经激活模型，允许激活区域数量可变，并可调节空间和方向约束。
• 使用马尔可夫链蒙特卡洛（MCMC）采样方法探索可能源构型的后验分布。
• 通过适当的先验分布，将关于电流强度、方向和空间平滑性的先验信息融入模型。
• 将该框架应用于合成数据和视觉刺激实验的真实MEG记录。
• 基于采样的后验分布，量化活跃脑区数量、位置和范围的概率分布。

实验结果

研究问题

• RQ1 如何系统性地将关于神经电流分布的先验知识整合到电磁逆问题的求解中？
• RQ2 与实测MEG数据和先验约束一致的、可能的神经源构型的分布是什么？
• RQ3 哪些神经激活特征（如位置、范围）在多个采样解中保持一致，因而具有高度后验概率？
• RQ4 与传统单解方法相比，该贝叶斯方法在不确定性量化和可靠性方面表现如何？
• RQ5 在真实噪声条件下，该方法能否可靠地恢复模拟和真实MEG数据中已知的激活模式？

主要发现

• 该贝叶斯方法成功生成了一组与模拟和真实MEG数据一致的、可能的神经激活构型分布，同时有效整合了先验知识。
• 在大量采样解中均一致的特征——如激活区域的位置和范围——被识别为后验概率高的特征，表明推断具有高度稳健性。
• 该方法提供了对活跃脑区数量的概率分布的定量估计，实现了对源数量不确定性的量化。
• 在视觉诱发电位实验中，该方法以高置信度正确地定位了视觉皮层的激活，与已知神经解剖结构一致。
• 空间平滑性和方向性先验的整合显著提高了推断源分布的稳定性和可解释性。
• 该框架表明，即使在病态数据条件下，只要先验信息被恰当编码，仍可实现有意义的概率推断。