Discrete source analysis
◎ 각 등가전류 쌍극자는 확장된 뇌 영역을 나타낸다.
◎ 전류원 수 < 센서 수(과결정 문제)
◎ 전류원 모델은 Fitting 이나 Seeding으로 정의 된다.
◎ Multiple source 모델과 전류원 파형으로 결과가 나타난다.
◎ Crosstalk(+) 전류원 모델이 모든 뇌 영역의 활성을 내포할 경우 전류원 파형들은 활성을 나타낸다. 즉, 파형들이 최소 Crosstalk 으로 그 활성을 분리하고 상호 대비된다.
◎ Effort(+) 전류원 모델은 Fitting 또는 Seeding으로 정의 되어질 필요가 있다. 이것은 사용자와의 상호작용을 요구한다(주기, 전류원 수를 결정).
Distributed source analysis
◎ 각 전류 쌍극자는 하나의 작은 뇌 절편을 나타낸다.
◎ 전류원 수 >> 센서 수(불충분한 결정 문제)
◎ 전류원 모델은 사전 정의된다.(뇌 표면 또는 정규체적 격자)
◎ 각 시간 지점 동안 하나의 3D Volume 이미지로 결과가 나타난다.
◎ Crosstalk(-) 국소적이지 않은 활성으로 섞인다. 전류원들 사이의 상당한 Crosstalk이 있다. 어떤 국소부위에서 재 발생된 활성은 다른 뇌 영역에서 나타나는 활성으로 인해서 오염된다. 서로 밀접한 뇌 영역들의 활성은 거의 분리될 수 없다.
◎ Effort(-) 사전-정의된 전류원 모델. 전류원 이미지는 쉽고 빨리 만들어진다. 그러나, 파라메터들은 지정되어야 한다. 그것들은 획득된 전류원 이미지의 질에 큰 영향을 미친다.
● Leadfield matrix ; 이 행렬의 차원은 〔센서 수 × 전류원 수〕이다. 각 Leadfield의 열은 하나 전류원의 topo-graphy(신호유형)를 포함한다. 이 전류원의 활성이 정규화된 신호들은 다양한 EEG/MEG 센서에서 발생된다. Leadfield는 전류원 모델(multiple dipole 또는 Regional source)과 Head 모델에 대한 모든 정보를 포함한다.
● Side constraints(제약 조건식) ; spatial weighting matrix
● Identity matrix ; 정방행렬(항등 행렬)
● Diagonal matrix ; 대각선 행렬
● Laplacian matrix ; 라플라시안 행렬
● Standardization ; 표준화
● Iterative ; 반복법
● Normalized ; 정규화
● Regularization ; 정규화
Minimum norm ; 전체 에너지( 모든 전류원의 magnitude의 제곱 합)가 최소가되는 이미지, 일반적으로 depth 가중치는 대각행렬을 적용하여 사용된다.
LORETA(“Low Resolution Electromagnetic Tomography”) ; spatial cross-voxel weighting term을 포함
(LAURA와 유사) 전류원 수준에서 공간 가중치행렬(V)은 비 대각이고 depth 가중치와 3D 라플라시안 행렬의 표시를 모두 내포한다. 이것은 전류원 공간들 간 활성의 '부드러운' 분산 이미지를 만든다.
LAURA("Local Auto Regressive Average") ; 전류원 수준에서 공간 가중치행렬(V)는 비 대각이고 depth 가중치와 국소 자동회귀 함수의 표시를 모두 내포한다.
swLORETA ; depth 가중치 요인에서 sLORETA와 차이
CLARA ; 더 국소적 쌍극자, 삽입 "O" 키를 이용하여 방향을 설정할 수 있다.
Elia Valentini(2012)
1) Minimum Norm Image(MNI). 이 알고리듬은 각 시간과 주파수 샘플에서 분산된 전류 이미지를 추정하는 것에 일반적으로 사용된다. 전류원의 수가 센서의 수보다 많을 경우 역문제는 아주 불충분한 결정을 하게 되고 최소 기준인 수학적 제약으로 안정화 되어야 한다. 기록된 데이터를 설명할 수 있는 많은 가능한 전류 분포를 배제하는 것은 BESA가 최소 전류 해법을 제공한다. 다른 접근법들과는 반대로 surface MNI는 체적 MR 이미지에 계산되지 않고 뇌 표면 이미지로 계산된다. 따라서 MNI의 결과는 피질 전류의 전통적 두피 토포그래피와 비슷하다. 전류원 이미지는 국부 전류원의 총 루트 평균 제곱으로 나타내어진다(0에서 100% 활성).
2) Multiple Source Beamformer(MSBF). 이 접근법은 자극 이벤트에 시간-고정 시킨 사용자-지정 시간-주파수 범위에서 신경활성의 전류원을 추정하는 것에 사용된다. BESA beamformer는 시간-주파수 영역에서 선형적으로 제약된 최소 분산 벡터beamformer의 수정된 버전이다. 그 알고리듬은 정규화된 출력파워(+_q%)에서 결과인 복합 교차 스펙트럼 밀도 행렬로 계산한다.
3) CLARA는 각 반복에 감소된 전류원 공간을 가지는 가중된 LORETA를 수행하는 것으로 반복된 분산 전류원 분석 방법이다. LORETA와 비교해 보면, 이 반복적 접근법은 사전정의된 분산 전류원 모델의 이점을 유지하는 추정된 전류원의 흐림을 감소시킨다. 따라서 최대활성을 가지는 전류원의 위치를 결정하기 쉽게 해준다. 기본 최소 정규화
cut-off가 사용되었다. 전류원 이미지는 표준화 MRI 이미지에서 전류밀도로 나타내어진다(nAm/cm_3).
Simon Hanslmayr(2008)
MSPS를 이용하여 솔루션을 확인하였다. 이런 알고리즘은 만일 EEG 데이터가 적절하게 모델되었다면(모든 활성 뇌 영역들이 선택된 전류원들로 표상된다면) 솔루션에 추가되는 어떤 추가적 탐침(probe) 전류원이 잡음을 제외한 활성이 나타나지 않을 것이라는 가정에 기반을 둔다. 한 가지 예외는 탐침 전류원이 현재 솔루션에 있는 전류원들 중 하나에 가깝게 위치할 경우 발생한다. 이런 경우 탐침 전류원과 모델에서 전류원은 해당 뇌 영역의 활성을 공유한다. 따라서 MSPS 알고리즘이 나타난 전류원 주변에서만 활성이 보일 경우, EEG 데이터가 적합하게 모델되었다고 가정될 수 있다.
댓글