Mar, 2024
电 - 磁脑电图数据融合的耦合发生器分解
Coupled generator decomposition for fusion of electro- and magnetoencephalography data
Anders Stevnhoved Olsen, Jesper Duemose Nielsen, Morten Mørup
TL;DR数据融合建模可识别不同数据源的共同特征并考虑源特异性变异。在多主体、多模态（脑电图和脑磁图）的神经影像实验中，我们引入了 “耦合生成器分解” 的概念，并演示了如何将其推广为数据融合的稀疏主成分分析（SPCA）方法。通过对脑电图和脑磁图试验进行分半交叉验证，我们研究了不同复杂度模型的最佳模型顺序和正则化强度，并将其与假设刺激下共享脑反应的群体水平模型进行比较。我们的发现表明，对于打乱的脸部，与真实脸部相比，大约 170ms 后颞叶面区的激活性有所改变，特别在多模态、多主体模型中更为明显。我们通过在 PyTorch 中使用随机优化进行模型参数推断，证明了其与 SPCA 的传统二次规划推断具有可比性，但执行速度要快得多。我们提供了一个易于访问的工具箱，包括了耦合生成器分解、原型分析和定向原型分析的数据融合方法。总体而言，我们的方法为数据融合提供了一个有希望的新途径。