贝叶斯 M/EEG 源成像的不确定性校准

arXiv:2611.06979v1 公告类型：新 摘要：M/EEG 源成像需要准确的定位和可靠的不确定性估计，但很少评估后可信区域以进行经验校准。我们提出了一个基于模拟的框架，用于不确定性量化和校准具有封闭形式条件高斯后验总结的经验贝叶斯逆方法。我们将贝叶斯最小范数 (BMN) 与 sLORETA 深度加权以及稀疏贝叶斯学习 (SBL) 与稀疏基场扩展 (S-FLEX) 进行比较。 S-FLEX 允许保留系数在体素 SBL 产生简并方差的位置贡献非零边际后验方差。对于 BMN，我们通过证据最大化导出联合源方差和噪声方差更新。我们测试自适应噪声学习是否会产生接近校准的不确定性。两种方法都保留了残余误差校准，从而激发了使用经验覆盖率对可信区域水平进行事后等渗重新校准。模拟使用预言机、基线估计和自适应学习噪声来评估固定和自由方向模型的信噪比 (SNR)、源稀疏水平和特定于主题的头部模型。在重新校准之前，SBL+S-FLEX 比 BMN+sLORETA 产生更低的 Wasserstein 定位误差、更小的后验不确定性以及更接近名义可信度的覆盖范围。等张重新校准改进了两种方法，对于保守的 BMN+sLORETA 后验有更大的增益；跨不匹配的 SNR、稀疏性和头部模型的传输仍然依赖于条件。噪声规格在每个估计器内产生大致一致的重建和不确定性趋势。在真实的听觉 MEG 数据中，SBL+S-FLEX 比 BMN+sLORETA 提供更多的焦点定位和更严格的不确定性，这表明识别双边听觉源的统计能力更强。