1.脑源定位-结构化稀疏贝叶斯学习
| 论文名称 | Spatio T emporal EEG Source Imaging with the Hierarchical Bayesian Elastic Net and Elitist Lasso Models |
|---|---|
| 期刊 | Frontiers in Neuroscience 5.152/Q2 |
| 方法 | 尝试使用贝叶斯框架来求解EEG IP，用于ENET和ELASSO模型。提出了一种基于经验贝叶斯和迭代坐标下降过程相结合的结构化稀疏贝叶斯学习算法，以估计参数和超参数。 |
| 结论 | 与经典的LORETA、ENET和LASSO融合解决方案相比，本文的方法能够更准确地恢复复杂的源设置，并在不同稀疏场景下对超参数和行为进行更稳健的估计。 |
简述
::: tip 问题 脑电信号源的估计是神经科学中的一个逆问题。由于解的非唯一性，这是一个不适定问题，需要正则化或先验信息来进行电生理源成像。 ::: ::: tip 常规方法 结构化稀疏性先验可以通过（基于L1范数）和（基于L2范数）约束的组合来获得，例如
- Elastic Net（ENET）
- Elitist Lasso（ELASSO）。 :::
| 特点 | 共同点 | 缺点 | |
|---|---|---|---|
| ENET | 用于寻找具有少量光滑非零面片的解 | 都是在惩罚回归方法中解决的，其中正则化参数是启发式选择的，通常导致非最优和计算昂贵的解决方案。{rowspan=2} | ENET的现有贝叶斯公式允许超参数学习，但使用计算密集的蒙特卡洛/期望最大化方法，这使得其应用于EEG IP不切实际。 |
| ELASSO | 沿时空矩阵解的不同维度同时施加不同程度的稀疏性 | ELASSO之前未被考虑到贝叶斯 |
主要工作
在这项工作中，我们尝试使用贝叶斯框架来求解EEG IP，用于ENET和ELASSO模型。我们提出了一种基于经验贝叶斯和迭代坐标下降过程相结合的结构化稀疏贝叶斯学习算法，以估计参数和超参数。我们证明，与经典的LORETA、ENET和LASSO融合解决方案相比，我们的方法能够更准确地恢复复杂的源设置，并在不同稀疏场景下对超参数和行为进行更稳健的估计。我们还使用视觉注意力实验的数据来解决EEG IP，用我们的方法找到更可解释的神经生理学模式。