M/EEG源成像新框架：后验协方差精确拆成可减与不可减不确定性！
Spectral Uncertainty Decomposition for Sparse Bayesian Learning
📖 AI 总结
该论文针对M/EEG神经源成像这一病态逆问题中不确定性量化困难的问题，提出了一种基于先验预条件前向算子奇异值结构的谱分解框架。传统条件高斯后验协方差无法区分似然可见方向与测量不可见方向上的不确定性，而该框架将后验协方差精确分解为数据信息成分与不可确定性认知成分，从而区分出可通过改进测量减少的不确定性与受传感几何限制、本质上不可约的不确定性。作者还推导了等价的减法分解，将先验协方差表示为后验协方差与数据驱动缩减项之和，精确刻画贝叶斯学习带来的不确定性缩减。两种互补表示兼具理论洞察与实用价值，为后验协方差具有闭式解的线性高斯贝叶斯逆求解器提供了可解释的不确定性量化工具。
🔑 关键词速览
| M/EEG | 脑磁图（MEG）和脑电图（EEG）的合称，用于无创测量大脑神经活动产生的电磁信号。 |
| 不适定逆问题 | 指解不唯一或不连续依赖于数据的逆问题，常见于源成像中因测量远少于源参数而导致。 |
| 后验协方差 | 贝叶斯推断中后验分布的协方差矩阵，表征参数估计的不确定性。 |
| 先验预条件前向算子 | 将先验信息融入前向模型后得到的算子，用于改善数值稳定性和谱分析。 |
| 奇异值分解 | 将矩阵分解为奇异值和左右奇异向量的方法，用于揭示算子的谱结构。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅