シミュレーションおよび実際のM/EEGデータに関するシャンパンソース再構成アルゴリズムのパフォーマンス評価

この論文では、新しいソースローカリゼーションアルゴリズムであるシャンパンの広範なパフォーマンス評価を紹介します。これは、逆問題に対してまばらな解をもたらす経験的ベイジアンフレームワークに導き出されます。相関したソースが堅牢であり、非刺激誘発活動の統計を学習して、騒音と脳の活動の干渉の影響を抑制します。シミュレーションデータと実際のM/EEGデータの両方でシャンパンをテストしました。シミュレートされたデータに使用されるソースの場所は、挑戦的なソース構成でパフォーマンスをテストするために選択されました。シミュレーションでは、シャンパンがソースのローカリゼーションの精度とソースタイムコースの正しい推定の両方の観点からベンチマークアルゴリズムを上回ることがわかりました。また、シャンパンは、実際のMEGデータに存在する相関脳活動に対してより堅牢であり、実際のMEGおよびEEGデータを使用して多くの明確で機能的に関連する脳領域を解決できることを実証しています。

In this paper, we present an extensive performance evaluation of a novel source localization algorithm, Champagne. It is derived in an empirical Bayesian framework that yields sparse solutions to the inverse problem. It is robust to correlated sources and learns the statistics of non-stimulus-evoked activity to suppress the effect of noise and interfering brain activity. We tested Champagne on both simulated and real M/EEG data. The source locations used for the simulated data were chosen to test the performance on challenging source configurations. In simulations, we found that Champagne outperforms the benchmark algorithms in terms of both the accuracy of the source localizations and the correct estimation of source time courses. We also demonstrate that Champagne is more robust to correlated brain activity present in real MEG data and is able to resolve many distinct and functionally relevant brain areas with real MEG and EEG data.