贝叶斯估计群体事件相关电位成分

2024-06-04 Tue
背景介绍事件相关电位（Event-Related Potentials，ERPs）的研究提供了关于大脑机制的重要信息，尤其在解释各种心理过程时具有独特优势。在这些研究中，通常在被试执行特定任务时记录多通道脑电图（EEG），根据刺激类型和被试反应将试验分为不同类别，并取各类别试验的平均值计算ERPs。记录头皮表面的ERPs有较好的时间分辨率，但由于体积传导效应，其空间分辨率较低。
解决体积传导问题的一种方法是使用盲源分离（Blind Source Separation，BSS）方法。若BSS方法用在单次试验数据间，其主要目标是更准确地刻画个体ERPs；若BSS方法用在个体ERPs数据间，其主要目标是识别大脑反应的共性特征。然而，目前的大多数BSS算法并不能充分考虑ERPs噪声的复杂特性：空间相关性、空间异质性和时间变化性。因此，提出一种能够处理这些复杂噪声特性的贝叶斯模型在多通道ERPs分析中的应用是非常必要的。
来源信息这项研究由Valery A. Ponomarev和Jury D. Kropotov主导，他们均来自俄罗斯科学院人脑研究所以及N. P. Bechtereva Institute of the Human Brain。本文发表在Journal of Neural Engineering上。
研究详细流程研究对象本研究使用了多通道EEG数据，包含来自351名被试在多条件任务下的ERPs记录，其中包括真实数据和合成数据。真实数据来自健康被试的脑电记录，记录了在执行动物、植物和人类刺激图片展示任务下的EEG数据。
研究模型与算法本研究提出了一种新的贝叶斯估计模型，用于捕捉ERPs信号源的个体差异和噪声特性。具体如下：
模型公式：
[
x{n,l}(t) = \sum a{d,n}cds{d,l}(t - \tau{d,n}) + e{n,l}(t)
]
其中，$x{n,l}(t)$表示第n个被试在第l个条件下的EEG信号，$s{d,l}(t)$表示ERPs组件的波形，$cd$为第d个ERPs组件的空间模式，$a{d,n}$和$\tau{d,n}$分别表示第d个ERPs组件的振幅和延迟，$e{n,l}(t)$表示噪声。
贝叶斯推断算法：
使用变分贝叶斯（Variational Bayesian，VB）和吉布斯采样（Gibbs Sampling）方法来估计模型参数。变分贝叶斯算法用于初步估计模型参数，吉布斯采样则进一步细化参数估计，提供其后验分布。
实验设计：
合成数据实验：生成了四个组件的合成信号，设计了不同的空间拓扑、叠加程度、信噪比（SNR）、被试数量，以及高斯白噪声和自相关噪声等实验条件。
真实数据实验：使用了351名健康被试的EEG数据，分别在耳朵（linked ears）和无参考（REST）条件下分析ERPs记录。
主要结果模型参数估计准确性：
在中高SNR（≥ 0 dB）下，BEGeP和BEEP表现优异；在低SNR下（如-3 dB），变分贝叶斯结合吉布斯采样的BEGeP算法显示最佳准确性。
对噪声自相关性表现出较强的鲁棒性，且噪声空间相关特性纳入模型的情况下结果最优。
BEGeP对被试数量的依赖较小，在噪声叠加程度上，信号重叠程度越高，估计误差越大。
真实ERPs数据分析：
在耳朵参考和无参考条件下，使用BEGeP模型分离出的组分信号和传统的组平均ERPs信号极为相似。
BEGeP对观测信号提供了生理上更有意义的组件拆解，尤其是分离出了P1，N1a，N1b，P2等波形，还详细描述了这些波形的拓扑结构和条件之间的差异。
使用BEGeP进行组件信号比较，有助于识别传统方法难以观察的现象。
研究结论与意义科学价值：本研究提出了一种捕捉ERPs复杂特性的新模型，结合贝叶斯推断算法，实现了更高精度的模型参数估计，尤其在低信噪比条件下表现出色。
应用价值：该方法有助于更深入地理解大规模认知神经科学实验中的ERPs数据，并为信号处理和大脑机制研究提供新的工具。
研究亮点新模型和算法：在ERPs研究中结合贝叶斯变分推断和吉布斯采样，提高了对信号和噪声复杂特性的处理能力。
信号分离与条件比较：分离出了多个关键波形信号，能够更准确地描述不同实验条件下神经反应的差异。
广泛验证：通过大量合成数据和现实数据实验，验证了模型和方法的可靠性和有效性。
其它信息伦理声明：所有涉及被试的研究均遵循规定的伦理标准，并获得相关机构的伦理批准。
资金支持：此项研究由俄罗斯联邦教育和科学部资助（项目122041300021-4）。
数据的可获得性：由于涉及商业敏感信息，原始数据无法公开，但可向作者合理请求。
结语提出的贝叶斯多组分ERPs估计方法（BEGeP）在ERPs信号处理和脑电研究中表现出了巨大的潜力，为未来的神经科学研究提供了一个强有力的工具。