当前位置：首页 > news >正文

文献调研[eeg溯源的深度学习方法]（过程记录）

news 来源：原创 2025/6/22 5:47:13

文章目录

- 问题
- AI回答
- - 关键词组合
- 搜索方式说明
- 限定字段
- - **1. All Fields（所有字段）**
  - **2. EEG source recon（EEG源重建）**
  - **3. Title（标题）**
  - **4. Author（作者）**
  - **5. Publication Titles（期刊/会议名称）**
  - **6. Year Published（发表年份）**
  - **7. Affiliation（机构）**
  - **8. Funding Agency（资助机构）**
  - **9. Publisher（出版商）**
  - **10. Topic（主题）**
  - **使用技巧**
溯源和深度学习的交叉
- 现有数据生成方法总结
- - 1. **有限元方法 (FEM)**
  - 2. **多层头部模型**
  - 3. **基于脑连接组的建模**
  - 4. **真实头部电导模型**
  - 5. **随机马尔可夫链模型**
- 推荐的数据构建方案
- 纯文章链接
- deepSIF

问题

问题:脑电溯源EEG Source Localization 我现在使用wos，进行文献调研，该如何搜索

AI回答

核心关键词组合

关键词组合

基础搜索词组合
(“EEG source localization” OR “EEG source reconstruction” OR “electroencephalography source localization”)

electrophysiologic source imaging这个也是一些文章的关键词。

结合深度学习的搜索
(“EEG source localization” OR “EEG source reconstruction”) AND (“deep learning” OR “neural network” OR “machine learning” OR “artificial intelligence”)

打开wos
选择对Document进行搜索

在这里插入图片描述

搜索方式说明

基本搜索可以指定关键词。
可以设置每个行是OR还是and来限定文献的范围，all fields这个下拉框可以设置这个关键词出现的位置，，通过data range可以限定时间。
如图，我们设置以这三个关键词进行联合搜索。
初步搜索的时候，我们一般设置all fields 。

在学术数据库或搜索引擎中，这些限定词（也称为“字段限定符”）用于精确控制搜索范围，提高检索结果的准确性。以下是图中各限定字段的详细说明及使用场景：

限定字段

1. All Fields（所有字段）

作用：默认搜索范围，涵盖文献的全部内容（标题、摘要、正文、关键词、作者等）。
使用场景：初步检索时使用，但结果可能较宽泛。
示例："neural networks"（会匹配标题、摘要、正文等任意位置出现该词组的文献）。

2. EEG source recon（EEG源重建）

作用：专门针对“脑电信号源定位”领域的限定字段（可能是该数据库的特色分类）。
使用场景：需聚焦EEG逆问题研究时使用。
注意：此类专业限定字段可能仅存在于特定数据库中（如Neuroimage、IEEE Xplore等）。

3. Title（标题）

作用：仅搜索文献标题中的关键词。
使用场景：快速定位高度相关的核心文献。
示例：Title:"deep learning" AND "EEG"（查找标题中同时包含这两个词组的文献）。

4. Author（作者）

作用：搜索特定作者发表的文献。
使用场景：跟踪某学者的研究成果。
示例：Author:"Smith J"（注意姓氏+首字母缩写是常见格式）。

5. Publication Titles（期刊/会议名称）

作用：限定文献来源的期刊或会议名称。
使用场景：筛选特定高影响力期刊的文献。
示例：Publication Titles:"Nature Neuroscience"。

6. Year Published（发表年份）

作用：按时间范围筛选文献。
使用场景：获取最新研究或经典文献。
示例：Year Published:2020-2023。

7. Affiliation（机构）

作用：搜索某机构（如大学、实验室）的相关研究。
使用场景：了解竞争对手或合作单位的研究动态。
示例：Affiliation:"MIT"。

8. Funding Agency（资助机构）

作用：查找由特定基金（如NIH、NSF）支持的文献。
使用场景：分析某资助方向的研究趋势。
示例：Funding Agency:"European Research Council"。

9. Publisher（出版商）

作用：限定文献的出版商（如Elsevier、Springer）。
使用场景：快速获取某出版社的开放获取内容。
示例：Publisher:"IEEE"。

10. Topic（主题）

作用：综合搜索标题、摘要、关键词和作者关键词（常见于Web of Science）。
使用场景：平衡查全率和查准率。
语法扩展：
- 通配符：robot*（匹配robot、robots、robotics等）。
- 词组检索："input shaping"（精确匹配整个词组）。
- 布尔逻辑：AND/OR/NOT组合关键词。
示例：Topic:(robot* control*) NOT "industrial"。

使用技巧

组合检索：通过AND、OR、NOT连接多个字段，如：
Title:"machine learning" AND Year Published:2023 NOT Author:"Zhang"。
括号优先级：(EEG OR MEG) AND "source localization"。
数据库差异：不同平台（PubMed、IEEE Xplore、Scopus）的字段名称可能略有不同，需参考其帮助文档。

先查看最近的高被引。
基于脑电图功能连接的深度学习识别阵发性运动诱发性肌张力障碍
阵发性运动诱发性舞蹈病（PKD）和帕金森病（PD）都属于运动障碍，但它们是两种不同的疾病

主题中没有eeg溯源，在研究方法中，使用 128 通道脑电图系统收集了 44 名 PKD 患者和 44 名健康对照（HC）的静息态 EEG 数据。计算功能连接矩阵并将其转换为图数据，通过图论研究 PKD 患者和对照之间大脑网络特性的差异。进行源定位以探索患者神经回路差异。

使用 31 通道脑电图进行语言工作记忆的时空分析：来自 63 通道脑电图的可比性见解
本研究探讨了在语言工作记忆（vWM）阶段，海马体、杏仁核和丘脑等皮层下区域的时空动态及其参与情况。这些区域对于记忆功能至关重要，也是神经退行性疾病和衰老的早期指标。虽然以往研究主要采用脑磁图（MEG）、脑电图（iEEG）或功能性磁共振成像（fMRI），但本研究采用头皮脑电图（EEG）系统来研究 vWM 阶段的皮层下动态。特别是，利用基于标准化低分辨率脑电磁拓扑图（sLORETA）的脑源定位（BSL）方法，研究健康受试者在 vWM 阶段目标感兴趣区域（ROIs）的时序信息。进一步分析 sLORETA 的时空数据，以理解各 ROI 在 vWM 阶段分类中的性能指标。
31 通道和 63 通道 EEG 系统在研究皮层下区域时空信息变化方面的初步比较

查询到一个相对较新的综述文献，但是没有访问权限。
在这里插入图片描述

脑电图数据中的连接性分析：关于当前研究现状和新兴趋势的综述教程

结构连接、功能连接和有效连接。可以稍后进行阅读和了解。其他没有很相关的了。

对loreta的一个溯源的综述。
使用脑活动定位的脑电图技术，特别是 LORETA，及其在监测精神分裂症中的适用性

有几个算法优化的文章，记录两个
源范围估计在 OPM-MEG：一种两阶段香槟方法
用于脑源定位中源方向检测和时空 LCMV 波束形成的加速算法

可能，需要针对溯源的具体方法，优化一下关键词。

溯源和深度学习的交叉

2001脑电源定位：一种神经网络方法
大脑的功能活动与电流的产生及其产生的电压相关，这些电压可以在头皮上作为脑电图观察到。电流源可以建模为偶极子。电流偶极源的特性可以通过解决正向问题或逆向问题来研究。正向问题利用头部体积导体模型，其中根据假定的任意位置、方向和强度的电流偶极计算导体表面的电位。而在逆向问题中，根据观察到的脑电图识别电流偶极或一组偶极。正向问题和逆向问题通常通过数值方法解决，例如边界元法和优化算法。这些方法非常耗时，不适合快速评估脑功能。在本文中，我们基于机器学习提出了一种不同的方法来解决这些问题。我们使用人工神经网络解决这两个问题，这些网络通过反向传播技术离线训练，以学习头部体积传导的复杂源-电位关系。一旦训练完成，这些网络能够以计算高效的方式将其知识泛化到大脑中的功能活动定位。

2019使用时空神经网络进行脑电图源定位
头皮脑电图（sEEG）信号中局部电活动的源定位通常被建模为一个高度不适定问题。在本文中，提出了一种新的源定位方法，使用时空长短期记忆循环神经网络（LSTM）对脑电图逆问题进行建模。该网络模型由两部分组成，即 sEEG 编码和源解码，用于对 sEEG 信号进行建模并接收源位置的回归。由于不存在足够与特定源位置对应的标注 sEEG 信号，使用有限元方法（FEM）的前向模型生成模拟数据，作为训练信号的一部分。提出了一种源定位框架，基于模拟训练数据估计源位置。实验在模拟测试数据上进行。模拟数据的结果显示出对噪声信号的良好鲁棒性，所提出的网络通过时空深度网络解决了脑电图逆问题。结果表明，所提出的方法克服了高度不适定的线性逆问题，通过数据驱动学习实现。

2021年:边缘稀疏基网络：用于脑电图源定位的深度学习框架
数据集的构造是通过一个12层的人脑模型，通过设置源电流的位置和正向扩散矩阵的方向，来生成的头皮源。
通过ann简单的神经元结构来进行分析和仿真。

结合边缘稀疏先验和高斯源基函数
使用空间基函数分解的深度学习框架
在合成数据和真实数据上都得到验证

2023用于 M/EEG 源定位的循环神经网络
基于随机马尔可夫链的递归神经元大脑活动模型
考虑时间上连续激发的密集分布源
通过减少不确定性提高逆问题求解精度

本文介绍了使用机器学习算法解决逆 M/EEG 问题的方案。用于训练算法的数据是通过解决正向问题获得的。这些数据是使用神经元脑活动循环模型生成的，其中紧密相邻的源在时间上的连续兴奋基于随机马尔可夫链。偶极子激活模型预计通过用空间相关的时序数据替换在脑表面静态分布的源磁场的非相关兴奋，来减少 M/EEG 逆问题的不确定性，从而提高其解的准确性。在这种情况下，机器学习算法能够识别源兴奋的相关性，并实时解决问题。应用考虑兴奋时空特性的脑神经元活动定位方法，可能提供更完整的脑功能图景

2024使用循环神经网络从同步脑磁图-脑电图中进行事件相关神经源活动定位估计

本文描述了使用循环神经网络（RNN）从同时记录的脑磁图和脑电图（MEEG）中估计电流源，该 RNN 从神经数据中学习序列关系。RNN 的训练分为两个阶段：（1）预训练和（2）应用 L1 正则化到源估计层的迁移学习。比较了使用从 MEEG、脑磁图（MEG）或脑电图（EEG）导出的缩放标签的性能，以及体积源空间（自由偶极方向）和表面源空间（固定偶极方向）的结果。还对这些数据应用了精确低分辨率电磁断层成像（eLORETA）和混合范数 L1/L2（MxNE）源估计方法，以与 RNN 方法进行比较。

2024使用头皮脑电图估计内部大脑动态的深度源迁移学习
https://link.springer.com/article/10.1007/s11571-024-10149-2

脑电图（EEG）通过非侵入性电生理记录为脑机接口提供了高时间分辨率的神经数据。通过源成像技术估计内部脑活动可以进一步提高 EEG 的空间分辨率，并增强神经解码和脑机交互的可靠性。在这项工作中，我们提出了一种基于 EEG 数据驱动的源成像方案，利用深度学习方法精确高效地估计跨越丘脑和皮质区域的宏观时空脑动力学。设计了一个包含卷积循环神经网络的深度源成像框架，用于从高密度 EEG 记录中估计内部脑动力学。此外，基于人类脑连接组建立了一个包含 210 个皮质区域和 16 个丘脑核的脑模型，以提供合成训练数据，这些数据体现了自发、刺激诱发和病理状态下潜在脑动力学的内在特征。进一步将迁移学习算法应用于训练好的网络，以减少合成 EEG 和真实 EEG 之间的动力学差异。大量实验表明，所提出的深度学习方法能够准确估计脑源的空间和时间活动，并且与现有最先进方法相比取得了更优异的性能。此外，基于脑电图数据的源成像框架在定位癫痫发作起始区以及重建针刺刺激感觉处理过程中的动态丘脑-皮质相互作用方面是有效的，这表明其在神经科学研究与临床应用中的脑机接口适用性。

2024:使用卷积神经网络和真实头部电导模型定位 M/EEG 的皮层下和皮层源
尽管脑电图（EEG）和脑磁图（MEG）在神经科学和临床医学中是成熟的无创方法，但它们存在空间分辨率低的问题。电生理源成像（ESI）通过无创方式探索 M/EEG 信号的产生神经元起源，从而解决这个问题。尽管皮层下结构对许多脑功能和神经元疾病至关重要，但准确定位 M/EEG 的皮层下源仍然特别具有挑战性，其可行性至今仍存在争议。传统的 ESI 依赖于明确定义的正则化先验，难以设置最优先验并准确定位脑源。为了克服这一难题，我们引入了一种无需这些先验的数据驱动深度学习 ESI 方法。我们提出了一种四层卷积神经网络（4LCNN），用于定位产生 M/EEG 信号的皮层下和皮层源。我们还采用了一种复杂的真实头导电模型，利用最先进的分割方法从个体 MRI 数据中分割出十种不同头组织，以生成逼真的训练数据。这是首次尝试使用深度学习进行 ESI 以定位脑深部区域。我们的方法在源定位方面表现出色，尤其是在脑深部区域，与其他方法相比更为准确。这一结果通过 M/EEG 模拟、诱发反应和侵入性记录得到了验证。本研究中展示的 4LCNNs 在准确源定位方面的潜力，预示着未来将在临床诊断、理解各种神经疾病的病理生理学以及基础脑功能等研究方面做出贡献。

总结进行的初步的发现：对于这个源定位的正逆问题，这种高度不适定多解的问题。因为约束信息少，可能的解的结果多。
使用更多的物理建模的模拟方法，生成较多的数据，从而让机器学习可以见到尽可能多的数据。
基于你提供的论文，我来总结一下脑电源定位研究中的主要数据生成方法，并为你提供可行的数据构建方案。

现有数据生成方法总结

1. 有限元方法 (FEM)

应用: 2019年LSTM论文中使用
特点: 通过前向模型生成模拟数据，能够精确建模头部电导特性
优势: 物理建模准确，适合生成大量训练数据

2. 多层头部模型

应用: 2021年边缘稀疏基网络使用12层人脑模型
方法: 通过设置源电流位置和正向扩散矩阵方向生成头皮源
特点: 分层建模不同脑组织的电导特性

3. 基于脑连接组的建模

应用: 2024年深度源迁移学习论文
规模: 210个皮质区域 + 16个丘脑核
数据类型: 涵盖自发、刺激诱发和病理状态的脑动力学

4. 真实头部电导模型

应用: 2024年4LCNN论文
方法: 从个体MRI数据中分割10种不同头组织
特点: 使用最先进分割方法，生成最逼真的训练数据

5. 随机马尔可夫链模型

应用: 2023年循环神经网络论文
特点: 建模时间连续激发的密集分布源
优势: 考虑源激活的时空相关性

纯文章链接

2024

使用头皮脑电图估算内部脑动力学深度源迁移学习 | 认知神经动力学 — Deep source transfer learning for the estimation of internal brain dynamics using scalp EEG | Cognitive Neurodynamics

使用正则化优化和时空约束的脑电图动态源成像 | 医疗与生物工程及计算 — EEG dynamic source imaging using a regularized optimization with spatio-temporal constraints | Medical & Biological Engineering & Computing

基于循环神经网络从同步 MEG-EEG 中定位事件相关神经源活动-Web of Science 核心合集 — Localized estimation of event-related neural source activity from simultaneous MEG-EEG with a recurrent neural network-Web of Science Core Collection

皮质下电生理活动可通过高密度脑电图源成像技术检测 | Nature Communications — Subcortical electrophysiological activity is detectable with high-density EEG source imaging | Nature Communications

2023

评估DeepSIF

脑电图电极数量对基于深度学习的源成像的影响（本文无法直接访问，稍后阅读一些pdf的版本）。

评估了 DeepSIF 和传统 ESI 方法在 16、21、32、64 和 75 通道脑电图配置下的 ESI 性能。我们的研究结果表明，DeepSIF 能够在不同通道数和噪声水平下提供准确的位置和范围估计

2022

（DeepSIF）由神经质量模型约束的深度神经网络提升了时空脑动力学电生理源成像 | PNAS — Deep neural networks constrained by neural mass models improve electrophysiological source imaging of spatiotemporal brain dynamics | PNAS

(质量模型的前件)人脑结构连接矩阵——建模准备就绪 | 科学数据 — Human brain structural connectivity matrices–ready for modelling | Scientific Data

说明:deepsif提供有github 的代码

2021

基于深度学习的 MEG 源定位 — MEG Source Localization via Deep Learning

全脑建模：过去、现在与未来 | SpringerLink — Whole-Brain Modelling: Past, Present, and Future | SpringerLink

2019

2018

使用电皮质电图ECOG映射脑活动：逆解的分辨率特性和鲁棒性 | 脑地形图