[论文解读] Effcient magnetometer sensor array selection for signal reconstruction and brain source localization

Wan-Jin Yeo, Samu Taulu+1 more|arXiv (Cornell University)|May 22, 2022

Advanced MRI Techniques and Applications被引用 5

一句话总结

本文提出一种基于 MEG 数据低秩奇异值分解（SVD）的 QR 置换贪婪传感器选择方法，以识别少量最优传感器位置，实现高精度信号重建与脑源定位。该方法仅使用 30 个精心挑选的传感器，即可实现与完整 306 通道传感器阵列近乎相同的性能，证明了基于原理的传感器选择可在保持信号与源重建高保真度的同时，显著降低硬件成本。

ABSTRACT

Magnetoencephalography (MEG) is a noninvasive method for measuring magnetic flux signals caused by brain activity using sensor arrays located on or above the scalp. A common strategy for monitoring brain activity is to place sensors on a nearly uniform grid, or sensor array, around the head. By increasing the total number of sensors, higher spatial-frequency components of brain activity can be resolved as dictated by Nyquist sampling theory. Currently, there are few principled mathematical architectures for sensor placement aside from Nyquist considerations. However, global brain activity often exhibits low-dimensional patterns of spatio-temporal dynamics. The low-dimensional global patterns can be computed from the singular value decomposition and can be leveraged to select a small number of sensors optimized for reconstructing brain signals and localizing brain sources. Moreover, a smaller number of sensors which are systematically chosen can outperform the entire sensor array when considering noisy measurements. We propose a greedy selection algorithm based upon the QR decomposition that is computationally efficient to implement for MEG. We demonstrate the performance of the sensor selection algorithm for the tasks of signal reconstruction and localization. The performance is dependent upon source localization, with shallow sources easily identified and reconstructed, and deep sources more difficult to locate. Our findings suggest that principled methods for sensor selection can improve MEG capabilities and potentially add cost savings for monitoring brain-wide activity.

研究动机与目标

• 通过识别最小数量的最优传感器位置，解决密集 MEG 传感器阵列带来的高成本与物理限制问题。
• 利用脑活动的基于数据驱动的低维表示，提升信号重建与源定位的准确性。
• 开发一种计算高效的传感器选择算法，在噪声条件下优于均匀或密集传感器阵列。
• 通过用系统性选择的稀疏传感器替代密集阵列，实现成本更低、性能更高的 MEG 监测。
• 为未来传感器阵列设计提供一个框架，使其针对预期的神经源配置进行定制。

提出的方法

• 该方法首先对 MEG 传感器数据进行低秩截断 SVD 计算，以提取脑活动的主要空间模式。
• SVD 得到的左奇异向量（基模式）作为传感器选择的基础。
• 对 SVD 基矩阵应用贪婪 QR 置换算法，通过最大化行列式并最小化重建误差，迭代选择最具信息量的传感器位置。
• 按重要性对所选传感器进行排序，使用前 p 个传感器进行信号重建与源定位。
• 该方法利用脑活动具有低维时空动态特性这一事实，证明了可从更少传感器中实现高精度重建。
• 该方法在模拟与真实 MEG 数据上均进行了验证，性能通过信号重建误差与偶极子定位精度进行评估。

实验结果

研究问题

• RQ1 能否仅通过少量最优选择的传感器，实现与密集阵列相当的全 MEG 信号重建精度？
• RQ2 基于低秩 SVD 与 QR 置换的传感器选择方法，在重建与定位性能方面，与均匀或密集传感器布局相比如何？
• RQ3 传感器选择性能在多大程度上依赖于源配置与信噪比？
• RQ4 能否从数据的奇异值谱中确定所需传感器数量？
• RQ5 所提出的方法是否能为下一代具有灵活布局能力的 OPM-MEG 系统提供有效的传感器阵列设计？

主要发现

• 仅使用 30 个通过 SVD 基矩阵进行 QR 置换选择的传感器，信号重建误差紧密跟随奇异值衰减曲线，表明实现了最优模式截断。
• 原始 306 通道数据与 30 通道重建信号之间的定位误差极小：位置误差为 1.4142 mm，方向误差为 0.7966°。
• 使用 30 模式 QR 方法的重建相对误差紧密跟踪奇异值谱，验证了利用谱确定传感器数量的合理性。
• 在噪声条件下，该方法优于均匀传感器阵列，表现出对测量噪声的鲁棒性。
• 传感器选择性能具有源依赖性，浅层源的重建与定位精度高于深层源。
• 该方法可在显著减少传感器数量的前提下，实现高保真度的信号重建与源定位，带来显著的成本与硬件效率优势。