[论文解读] BEM-based SMS-LORETA - an advanced method to localize multiple simultaneously active sources in the cerebral cortex

Avni Pllana, Herbert Bauer|arXiv (Cornell University)|Jun 14, 2011

Neural dynamics and brain function参考文献 3被引用 4

一句话总结

本文提出了一种基于边界元法（BEM）的SMS-LORETA方法，用于利用头皮电位拓扑图精确局部化大脑皮层中多个同时活跃的神经源。通过将边界元法（BEM）前向建模与LORETA反向求解相结合，该方法即使在噪声条件下也能准确识别多个神经源的数量、位置、强度和方向，其有效性通过包含一个至三个偶极子的大量模拟实验得到验证。

ABSTRACT

In this paper the method and performance data of 'Boundary Element Method (BEM)'-based SMS-LORETA (Simultaneous Multiple Sources LORETA) are presented. According to these data the method is capable of locating efficiently multiple simultaneously active neural sources from scalp potential topographies automatically. BEM-based SMS-LORETA is a procedure to fully interpret sLORETA solutions, i.e., with a given scalp potential distribution it gives the number of identifiable sources as well as their strength and orientation. Performance data result from numerous analyses of simulated noise-free and noise-contaminated potential distributions (topographies) that have been obtained by means of BEM-based forward solutions, where one, two or three simultaneously active dipoles were randomly chosen regarding their positions and polarity.

研究动机与目标

• 开发一种稳健的方法，利用头皮电位记录来局部化大脑皮层中多个同时活跃的神经源。
• 解决在存在噪声的情况下准确识别源数量、位置、强度和方向的挑战。
• 通过从头皮电位分布中充分提取源信息，提高sLORETA解的可解释性。
• 通过基于BEM前向建模生成的逼真模拟EEG拓扑图，验证该方法的性能。

提出的方法

• 该方法采用边界元法（BEM）对真实头颅体积导体进行建模，以计算已知偶极子源的前向解。
• 它应用sLORETA反向求解方法，从测量的头皮电位拓扑图中估计皮层表面的电流密度分布。
• SMS-LORETA通过在sLORETA解空间中执行聚类与定位程序，扩展了sLORETA，以识别多个同时活跃的源。
• 该方法基于sLORETA解中空间分布模式，自动确定可识别源的数量。
• 通过分析电流密度分布的空间集中度和方向性，估算源的强度和方向。
• 性能通过在随机位置和极性下放置一个、两个或三个偶极子的模拟数据进行评估，并添加噪声以检验其鲁棒性。

实验结果

研究问题

• RQ1 基于BEM的SMS-LORETA能否从头皮电位拓扑图中准确局部化多个同时活跃的神经源？
• RQ2 在噪声条件下，该方法在区分活跃源数量方面的表现如何？
• RQ3 该方法在多大程度上能以高空间精度分辨源的位置、强度和方向？
• RQ4 与简单的体积导体模型相比，基于BEM的前向建模在多大程度上提升了源定位精度？
• RQ5 在逼真的EEG数据模拟中，该方法对噪声污染的鲁棒性如何？

主要发现

• 在模拟的无噪声条件下，该方法能高精度地局部化一个、两个或三个同时活跃的神经源。
• 在噪声条件下，基于BEM的SMS-LORETA仍能保持可靠的源定位，表现出对信号退化的强鲁棒性。
• 算法基于sLORETA解中的空间聚类模式，正确确定了可识别源的数量。
• 源位置的定位精度达到亚厘米级别，源强度和方向的估计也准确无误。
• BEM前向建模的整合显著提升了源定位的解剖学真实感和准确性，相较于简单模型有明显优势。
• 该方法实现了sLORETA解的完全自动化解释，能够可靠地从头皮EEG数据中推断出多个活跃源。