图1: EEG溯源定位流程图
DeESI算法通过矩阵Frobenius范数和L1范数的结合，兼顾了源的空间稀疏性和时间稠密性，提高了重建结果的生理可解释性。算法引入了统计纠偏步骤，校正了信号幅度、偶极子方向和深度的估计偏差，克服了传统方法中正则化导致的幅度偏向于零的问题，提高了源活动强度估计的准确性。此外，DeESI还推导了纠偏估计量的方差，为后续的标准化和假设检验提供了便利。同时，DeESI通过使用快速交替方向乘子法（ADMM）优化求解，通过直接求解矩阵形式的优化问题，避免了向量化的需要，从而提高了计算效率。在真实数据分析研究中，与现有11种ESI方法的比较中，DeESI在峰值定位和幅度重建方面表现最优，展现了其在脑功能研究和临床应用中的巨大潜力，有望减少侵入式溯源定位方法在术前评估中的使用。
图2: DeESI方法与其他11种ESI方法的性能比较
(a)各研究试验中的最小偶极子定位距离(DLD)箱线图及平均值；(b)固定偶极子方向情景下，ESI方法对超参数选择的敏感性分析；(c)自由方向情景下的敏感性分析。
本研究强调估计偏差调整和统计推断在EEG/MEG源成像中的重要性，为神经科学基础研究和脑疾病临床诊断提供了新的分析工具和视角。未来的研究可以在纠偏方案的适用范围、惩罚项的选择以及正向模型的改进等方面进行探索和拓展，以进一步提高ESI任务的性能和适应性。
本文的第一作者为北京大学光华管理学院2020级博士生童培峰，陈松蹊教授和安山教授为通讯作者，陈松蹊教授也是童培峰的博士生导师。文章的另外学生作者是北京大学光华管理学院2024级博士生丁心如，为陈松蹊教授指导的博士生。文章的合作者还包括首都医科大学附属北京潞河医院的耿晓坤主任和杨浩然医生，特别感谢美国韦恩州立大学医学院丁玉川教授为文章研究提出的宝贵建议。文章的其他合作者还包括京东健康智能算法部负责人王国鑫。研究得到了国家自然科学基金项目No.12026607和No.12071013的资助。
研究团队正在推动以上研究算法的云平台集成。该方法将有助于脑电的AI识别，节省医生读图时间，并减少主观判断误差，推动优质医疗资源下沉，让基层患者享受到三甲水平的诊断服务。
第一作者简介
童培峰
北京大学光华管理学院在读博士研究生，北京大学未名学士荣誉学位。研究领域为高频时间序列分析、大数据分析、领域泛化等。在机器学习顶级会议ICML和国际SCI期刊发表论文9篇，授权发明专利3项。
脑机智能与应用统计中心简介
中心旨在推动脑科学和应用统计两个领域的科研成果转化和落地。脑科学领域聚焦于非侵入式脑机接口技术、分析算法和采集设备的研发和推广，以癫痫的人工智能辅助诊断为出发点，积极探索痴呆、抑郁、睡眠等领域的关键需求和解决方案。应用统计领域旨在打通从数据到数据赋能之间的分析瓶颈，挖掘数据中隐含的生产力，重点关注粮食安全、能源安全、低碳环保和先进制造行业的数据科学服务，打造典型案例助力数字中国建设。
论文原文链接：
https://ieeexplore.ieee.org/document/10768920