基于深度学习的MEG脑磁图源定位网络偶极子模型与定位误差相关参数及设计要求.docVIP

基于深度学习的MEG脑磁图源定位网络偶极子模型与定位误差相关参数及设计要求

一、MEG脑磁图源定位的核心挑战与偶极子模型基础

脑磁图（Magnetoencephalography,MEG）通过测量神经元活动产生的微弱磁场信号，为脑功能研究和临床诊断提供了高时间分辨率的观测手段。然而，MEG信号的逆问题求解——即从头皮表面的磁场分布反推脑内神经活动源的位置、方向和强度——一直是该领域的核心挑战。这一逆问题具有固有的不适定性，即多个不同的源分布可能产生相似的头皮磁场模式，同时测量噪声和头模型的误差也会进一步影响定位精度。

在众多MEG源定位方法中，偶极子模型是最经典且应用广泛的基础模型之一。该模型假设脑内神经活动源可以等效为一个或多个电流偶极子，每个偶极子由位置矢量、偶极矩矢量和时间序列三个核心参数描述。偶极子模型的数学基础源于毕奥-萨伐尔定律，即电流偶极子在空间中产生的磁场可以通过解析公式计算。在实际应用中，研究人员通常先构建头模型（如球面模型、边界元模型或有限元模型），然后通过最小化头皮磁场测量值与偶极子模型预测值之间的误差来求解偶极子参数。

传统的偶极子定位方法，如最小范数估计（MNE）、标准化低分辨率电磁断层成像（sLORETA）等，大多基于线性反演框架，依赖于正则化技术来解决逆问题的不适定性。然而，这些方法在处理复杂脑活动模式时往往面临定位精度不足、空间分辨率有限等问题。近