Обзор методов решения обратной задачи при локализации источников ЭЭГ

В этой вводной статье представлен обзор обратной задачи локализации источников ЭЭГ. Материал предназначен для исследователей, начинающих работу в данной области, и знакомит их с современными методами получения приближённых решений для определения источников активности мозга, формирующих зарегистрированный на коже головы потенциал. Кроме того, приведён обзор результатов оценки эффективности различных методов, позволяющий сопоставить получаемые решения обратной задачи. Авторы также представляют результаты выполненного ими анализа методом Монте-Карло, в котором сравнивались четыре непараметрических алгоритма, что дополняет имеющиеся литературные данные. В статье приведён обширный список ссылок на работы других исследователей. Сначала обратная задача описывается математически, затем рассматриваются две основные категории методов её решения: непараметрические и параметрические. Главное различие между ними заключается в том, предполагается ли априори фиксированное число диполей. Описаны различные методы, относящиеся к этим категориям: оценки по методу минимальной нормы и их обобщения, LORETA, sLORETA, VARETA, S-MAP, ST-MAP, Backus–Gilbert, LAURA, Shrinking LORETA FOCUSS (SLF), SSLOFO и ALF — для непараметрических методов; методы формирования луча, BESA, подпространственные методы, такие как MUSIC, и производные от него методы, FINES, имитационный отжиг и алгоритмы вычислительного интеллекта — для параметрических методов. Согласно опубликованным в литературе данным об эффективности этих методов, в большинстве случаев решение LORETA даёт удовлетворительные результаты. Однако при наличии кластеров диполей предпочтительны методы с более высоким разрешением, такие как MUSIC или FINES. Применение обоснованных биофизических и психологических ограничений, как в методе LAURA, обеспечивает более высокие результаты. Проведённый анализ методом Монте-Карло, в котором при различных уровнях шума и разной глубине смоделированных источников сравнивались WMN, LORETA, sLORETA и SLF, показал, что при локализации одиночного источника регуляризованный sLORETA обеспечивает наилучшее решение как по ошибке локализации, так и по числу ложных источников. Кроме того, в этих условиях моделирования вычислительно сложный метод SLF не продемонстрировал дополнительных преимуществ.