基于最小模估计及Tikhonov正则方法的脑磁源重建

脑磁图 (magnetoencephalogram,MEG)研究中的磁源分布图象重建 ,属于不适定问题 ,需要引入合适的先验约束 ,把它转化为适定问题。采用非参数的分布源模型 ,磁源成象问题即为求解一病态的欠定的线性方程组。这里采用的方法是建立在最小模估计和Tikhonov正则的基础上 ,从数学算法本身及相关的解剖学和神经生理学的信息 ,对解空间加以限制 ,提出了区域加权算子 ,再结合深度加权 ,以期得到合理的神经电流分布。通过仿真实验表明能得出理想的重建结果 。

基于奇异值分解和最小L2范数解的动态脑磁源重建

脑内神经信号的动态传递过程在临床脑疾病诊断和认知科学中得到了越来越多的重视和研究。为求解动态脑磁逆问题,本文提出通过时域子空间求解动态脑磁L2范数解的方法并验证其可行性。具体地,对脑磁测量信号进行奇异值分解,通过右奇异向量矩阵构造源信号的时域子空间,将测量信号和待求源信号投影到时域空间进行求逆,然后将解反投影到解空间重建出动态脑磁源信号。与施加时域约束的双正则化方法相比,本文方法计算量大大降低,不同噪声水平下本文方法的均方误差都小于双正则化方法,而且重建出的源信号与仿真信号吻合更佳,信噪比更高。