Overview of Bayesian Solvers in EEG Distributed Source Models: Prior Selection, Algorithmic Implementation, and Depth Bias Reduction

Resumen Técnico: Solutores Bayesianos en Modelos de Fuentes Distribuidas de EEG

Título: Overview of Bayesian Solvers in EEG Distributed Source Models: Prior Selection, Algorithmic Implementation, and Depth Bias Reduction
Autores: Joonas Lahtinen y Alexandra Koulouri.

1. El Problema: Inversión de Fuentes de EEG

La electroencefalografía (EEG) es una técnica de neuroimagen no invasiva con alta resolución temporal, pero sufre de baja resolución espacial y alta sensibilidad al ruido. El problema de reconstruir la distribución espacial de la actividad neuronal a partir de mediciones en el cuero cabelludo es un problema inverso mal planteado (ill-posed). Esto significa que existen infinitas configuraciones de fuentes que pueden explicar las mismas mediciones.

Los desafíos principales identificados son:

• Ambigüedad y Ruido: La necesidad de técnicas de regularización robustas para obtener soluciones estables.
• Sesgo de Profundidad (Depth Bias): Un error sistemático donde las fuentes neuronales profundas (subcorticales o mediales) se subestiman o se localizan incorrectamente cerca de la superficie (corteza), mientras que las fuentes superficiales se detectan con mayor facilidad.
• Selección de Parámetros: La dificultad de ajustar manualmente los parámetros de regularización en métodos clásicos.

2. Metodología: Enfoque Bayesiano Jerárquico

El artículo propone un marco unificado basado en inferencia bayesiana para abordar estos problemas, integrando conocimiento previo directamente en el proceso de inversión.

• Modelado del Problema: Se utiliza un modelo de fuente distribuida donde el cerebro se discretiza en elementos finitos (FEM). La relación entre las fuentes ($x$) y las mediciones ($y$) se modela linealmente: $y = Lx + \xi$, donde $L$ es la matriz de campo de plomo y $\xi$ es el ruido gaussiano.
• Priors y Modelos Jerárquicos: En lugar de usar penalizaciones fijas, el enfoque utiliza distribuciones a priori que promueven la escasez (sparsity) (actividad focal) o la suavidad. Se analizan tres familias principales:
  1. Gaussiana: Promueve fuentes suaves (equivalente a MNE).
  2. Laplaciana: Promueve fuentes focales (equivalente a MCE/Lasso).
  3. Laplaciana de Grupo: Promueve escasez a nivel de grupos de dipolos (orientación).
  • Estructura Jerárquica: Se introducen hiperparámetros ($\gamma$) que controlan la varianza de las fuentes, los cuales a su vez tienen una distribución previa (hiperprior, como Gamma o Inversa-Gamma). Esto permite una contracción adaptativa de las fuentes irrelevantes hacia cero.
• Algoritmos de Optimización: Se describen implementaciones analíticas para estimar el Máximo a Posteriori (MAP) utilizando:
  • Alternating Optimization (IAS): Actualización iterativa de fuentes e hiperparámetros.
  • Expectation-Maximization (EM): Alternancia entre el paso E (esperanza) y M (maximización), derivando funciones objetivo cerradas para casos específicos.
• Reducción del Sesgo de Profundidad (Ponderación SNR):
  • Se extiende un marco estadístico basado en la Relación Señal-Ruido (SNR) para derivar automáticamente los pesos de sensibilidad o las varianzas de las priors.
  • En lugar de ajustar parámetros manualmente, se calculan basándose en la norma de la matriz de campo de plomo ($L_k$) y el ruido esperado. Esto genera priors ponderados por profundidad que compensan la atenuación de la señal de fuentes profundas.

3. Contribuciones Clave

1. Revisión Unificada: Proporciona una visión panorámica coherente de los métodos bayesianos (Gaussiano, Laplaciano, Laplaciano de Grupo) y sus implementaciones algorítmicas (IAS vs. EM), aclarando las conexiones entre formulaciones jerárquicas y técnicas de optimización clásicas.
2. Derivación Analítica de Ponderación SNR: Extiende el marco de Calvetti et al. (2019) para aplicar la ponderación basada en SNR a una amplia gama de modelos jerárquicos (incluyendo Laplaciano condicional y de grupo), proporcionando fórmulas explícitas para los hiperparámetros ($\beta_k$) en función de la profundidad y el ruido.
3. Análisis Comparativo Riguroso: Presenta un estudio de simulación exhaustivo utilizando un modelo de cabeza realista (FEM) y fuentes a diferentes profundidades, evaluando no solo la precisión de localización, sino también la focality y la robustez al ruido.
4. Evaluación de Algoritmos: Compara sistemáticamente los algoritmos IAS y EM, demostrando que EM suele ofrecer mejores resultados en términos de precisión de localización y reducción de la dispersión espacial, especialmente en modelos condicionales Gaussianos con hiperprior Gamma.

4. Resultados

Los experimentos de simulación (con fuentes superficiales y profundas, y niveles de ruido del 1% al 10%) revelaron lo siguiente:

• Precisión y Focality: Los modelos basados en Laplaciano Condicional Ponderado (wCL) y Laplaciano Condicional de Grupo Ponderado (wCGL), optimizados con el algoritmo EM, lograron la menor distancia de Mover de la Tierra (EMD), indicando una localización más precisa y focal.
• Reducción del Sesgo de Profundidad:
  • Los métodos tradicionales (como wMNE) mostraron un fuerte sesgo hacia la superficie, reconstruyendo fuentes profundas como si estuvieran cerca del cuero cabelludo.
  • Los métodos ponderados por SNR (wCL-EM, wCGL-EM) redujeron significativamente este sesgo, logrando reconstruir fuentes profundas (hasta ~20 mm) con mayor fidelidad en profundidad.
  • La tabla de errores de profundidad mostró que wCGL-EM tuvo el menor porcentaje de errores grandes (>20 mm) y la mayor proporción de errores pequeños (1-5 mm).
• Robustez al Ruido: Aunque todos los métodos degradaron su rendimiento con un ruido del 10%, los enfoques jerárquicos ponderados mantuvieron una mayor estabilidad y menor dispersión espacial en comparación con los métodos no ponderados o los basados puramente en IAS.
• Comparación IAS vs. EM: El algoritmo EM consistentemente produjo estimaciones más compactas y precisas que IAS, aunque con una complejidad de implementación ligeramente mayor.

5. Significado y Conclusiones

El trabajo demuestra que el diseño informado de modelos es crucial para la localización de fuentes de EEG sensible a la profundidad.

• Impacto Clínico: La capacidad de localizar con precisión fuentes profundas y focales es vital para aplicaciones clínicas como la planificación de cirugías de epilepsia o la identificación de áreas funcionales corticales.
• Automatización: El uso de la ponderación basada en SNR elimina la necesidad de ajustes manuales de parámetros (como curvas L), haciendo que los algoritmos sean más robustos y aplicables en entornos clínicos donde la experiencia del usuario puede variar.
• Limitaciones y Futuro: El estudio advierte que, aunque la ponderación de sensibilidad mitiga el sesgo de profundidad, no puede corregir los errores derivados de discrepancias numéricas en el modelo directo (malla, conductividad) o la ambigüedad inherente entre actividad focal profunda y actividad superficial difusa. Se sugiere la integración de restricciones multimodales (fMRI, DTI) y técnicas de inferencia aproximada (variacional, Monte Carlo) para futuros avances.

En resumen, el artículo establece que la combinación de priors jerárquicos de escasez (especialmente Laplacianos condicionales) con ponderación automática basada en SNR y optimización mediante EM representa el estado del arte actual para la reconstrucción de fuentes de EEG, ofreciendo un equilibrio superior entre precisión, focality y corrección del sesgo de profundidad.