Human brain activity is based on electrochemical processes, which can only be measured invasively. Therefore, quantities such as magnetic flux density (MEG) or electric potential differences (EEG) are measured non-invasively in medicine and research. The reconstruction of the neuronal current from the measurements is a severely ill-posed problem though its visualization is one of the main research tools in cognitive neuroscience. Here, using an isotropic multiple-shell model for the geometry of the head and a quasi-static approach for modeling the electro-magnetic processes, we derive a novel vector-valued spline method based on reproducing kernel Hilbert spaces. The presented vector spline method follows the path of former spline approaches and provides classical minimum norm properties. In addition, it minimizes the (infinite-dimensional) Tikhonov-Philips functional handling the instability of the inverse problem. This optimization problem reduces to solving a finite-dimensional system of linear equations without loss of information. It results in a unique solution which takes into account that only the harmonic and solenoidal component of the current affects the measurements. Besides, we prove a convergence result: the solution achieved by the vector spline method converges to the generator of the data as the number of measurements increases. The vector splines are applied to the inversion of synthetic test cases, where the irregularly distributed data situation could be handled very well. Combined with parameter choice methods, numerical results are shown with and without additional Gaussian white noise. Former approaches based on scalar splines are outperformed by the vector splines results with respect to the normalized root mean square error. Finally, reasonable results with respect to physiological expectations for real data are shown.


翻译:人类大脑活动以电化学过程为基础,只能进行侵入性测量。 因此, 磁通密度( MEG) 或电源潜在差异( EEG) 等数量在医学和研究中进行非侵入性测量。 从测量中重建神经内流是一个严重的问题, 尽管其视觉化是认知神经科学的主要研究工具之一。 这里, 使用一个用于头部几何的异位多壳模型和模拟电磁进程的一种准静态方法, 我们根据再生内核Hilbert空间, 得出一种新的矢量估值样板条方法。 显示的矢量螺丝样方法遵循前螺旋尊重方法的路径, 并提供典型的最小规范属性特性。 此外, 它尽量减少了( 无限度) Tikhonov- Philips 功能, 处理反向问题不稳定性。 这个优化问题可以降低到解决一个不丢失信息的线性方程式的有限维度系统。 它导致一个独特的解决方案, 仅考虑到当前内流结构空间空间空间的正向白值部分。 显示的矢量调整和单向方向值的螺旋值的螺旋值值,, 将数据向数据向数据向向数据向下显示一个结果, 。 我们通过数据向内流流流流流流流流流流结果显示的正正趋化结果, 显示一个对正正正值的正正正向向向向数据向数据向向向向向向向向值向值向值的正值向值向值向值向值向值向值向值向值向值向值向值向值向值向显示的正值的向值的向值的向值向值向值向值向值向值向值向值向值向显示的向值的向值的向值向值向值向值向值向值向值向值向值向值的向值向值向值向值向值向值向值向值向值结果,,, 。 。 。 。, 显示数据向值向值向值向向向向值向值向值向显示数据向值向值向值向值向值向值向值向值向值向值向值向值向值向值向值向值向值向值向向值向

0
下载
关闭预览

相关内容

Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium2
中国图象图形学学会CSIG
0+阅读 · 2021年11月8日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Warped Dynamic Linear Models for Time Series of Counts
Arxiv
23+阅读 · 2022年2月24日
VIP会员
相关资讯
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium2
中国图象图形学学会CSIG
0+阅读 · 2021年11月8日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员