机构名称：
¥ 1.0
脑电图（EEG）是神经科学研究和临床诊断方面的良好的非侵入性方法。它提供了较高的时间空间分辨率的脑活动。为了了解脑电图的空间动力学，必须解决反问题，即发现引起记录的脑电图活性的神经来源。逆问题是错误的，这意味着多种神经来源的配置可以唤起脑电图在头皮上的相同分布。人工神经网络先前已成功地用于发现一个或两个偶极子源。但是，这些方法从未解决过具有两个以上偶极子源的分布式偶极子模型中的反问题。我们提出了一种新型的卷积神经网络（CNN）体系结构Convdip，该架构在基于模拟的EEG数据的分布式偶极模型中解决了EEG逆问题。我们表明，（1）回合学会了从脑电图数据的单个时间点产生反方案，并且（2）在所有集中绩效指标上都优于最先进的方法。（3）在处理不同数量的来源时，它的灵感更大，幽灵来源较少，而错过的实际来源少于比较方法。它为人类参与者的真实脑电图记录产生了合理的反解。（4）训练有素的网络需要<40 ms才能进行单个预测。我们的结果符合汇聚的资格，是一种有效且易于应用的新颖方法，用于在脑电图数据中源定位，与临床应用相关，例如在癫痫学和实时应用中。
探测：用于更好脑电图源成像的卷积神经网络
主要关键词
相关文件推荐
