不同基底下EEG、MEG正问题数值解比较的中期报告.docxVIP

不同基底下EEG、MEG正问题数值解比较的中期报告 本中期报告基于不同基底下EEG、MEG正问题数值解比较的研究。 EEG和MEG都是非侵入性的神经电生理学技术，可用于研究大脑的生理和病理状态。它们都可以用于记录到头皮表面或头外皮下的电流和磁场的变化，并能够获得用于研究神经活动的可靠信息。尽管它们使用的信号类型和测量技术不同，但它们都需要解决正问题。即，在已知电磁场分布的情况下，如何确定在线性、无源、均匀、各向同性、线性吸收的头模型中神经源的分布。因此，对解决这个问题的数值解进行比较，将对我们的研究具有重要意义。 本研究中，我们比较了三种基底的数值求解方法：传统有限元法（FEM）、基于边界积分方程（BEM）的FEM和基于拓扑导数的BEM。这些方法几乎涵盖了用于解决正问题的所有可行数值求解方法。 我们设计了一系列仿真实验，对这些方法的性能进行比较。每个实验都涉及到头模型重建、逆解和源分布估计，以便综合评估整个求解过程的性能。我们使用不同的噪声模型来模拟真实世界中EEG和MEG测量的实际情况。同时，我们还考虑了头模型的复杂度和不同的放置电极和传感器的方案。 初步实验结果表明，基于拓扑导数的BEM方法在逆解和源分布估计方面表现出色，在与其他方法相比展现出较高的精度和抗噪性。特别是当头模型较为复杂或电极或传感器的位置比较密集时，基于拓扑导数的BEM方法表现更加优越。相比之下，传统FEM和BEM方法在处理具有大量神经源的复杂头模型时有一些问题，尤其是在高噪声情况下。 更深入的分析显示，基于拓扑导数的BEM方法具有比其他方法更好的数值稳定性和数值收敛速度，这是其卓越性能的原因之一。而噪声等外部因素对于FEM和BEM方法影响较大，则是这些方法表现较差的主因。 在未来的工作中，我们将进一步探索这些方法的优缺点，研究它们在不同的头模型和电极/传感器位置下的表现，并尝试改进这些方法，以更好的解决正问题。