基于全结构协方差学习的区域脑活动与区域间源协方差稳健联合估计
Robust joint estimation of regional brain activity and inter-regional source covariance via full-structure covariance learning
传统做法先做源成像、再单独计算区域间依赖，重建误差会传递到网络分析。作者提出 JAC-FS，在脑区层面构建高斯概率模型，用全结构源协方差矩阵同时表示区域源方差与区域间零延迟依赖，并加入中位数加权协方差统计、凸替代优化与带对角保护的约束噪声估计。仿真显示其在源定位、时间过程恢复和协方差边恢复上优于常规算法，真实脑磁图分析给出了诱发源分布与协方差模式。原文强调这些协方差估计是统计关联，本身不确立方向性或因果性生理通讯。
提出 JAC-FS，用全结构源协方差矩阵在脑区层面联合估计区域源活动与区域间零延迟协方差，并在仿真和真实脑磁图数据上与传统两阶段流程比较。
揭示认知与脑部疾病背后的机制，需要准确的区域源成像以及对区域间统计依赖关系的可靠刻画。传统方法通常遵循两阶段流程：先进行源成像，再单独计算区域间依赖度量。这种解耦框架会将源重建误差传播到基于协方差的网络分析中，导致源定位出现偏差、依赖模式发生扭曲。为解决这些局限，我们提出一种通过全结构协方差学习对区域脑源活动与源协方差进行联合估计的方法，称为基于全结构协方差学习的联合活动-协方差估计（JAC-FS）。JAC-FS 在脑区层面构建高斯概率模型，并采用全结构源协方差矩阵来表示区域源方差与区域间依赖关系。在该协方差表示中，对角元素编码边缘区域源方差，而非对角元素量化基于对称零滞后协方差的依赖关系。这些估计属于统计关联，其本身并不能确立直接的、有方向的或因果性的生理通讯。中位数加权协方差统计量可抑制高能量伪迹，凸代理优化为源活动与源协方差提供闭式更新。此外，带对角下限保护的约束噪声估计、低秩相关约束以及分阶段阻尼更新，可限制信号吸收与虚假协方差结构。仿真表明，JAC-FS 在区域源定位、时间过程恢复、相对于仿真真值的源协方差恢复，以及预定义短程与长程协方差边的恢复方面均优于传统算法。在真实 MEG 分析中，JAC-FS 产生了聚焦的诱发源分布与代表性时间过程，以及诱发源协方差模式。这些结果确立了 JAC-FS 作为区域源成像与零滞后源协方差估计的统一框架。
中文由 AI 翻译，仅供参考，以原文为准。
来源：NeuroImage · sciencedirect.com