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

Titolo: Panoramica dei Solutori Bayesiani nei Modelli di Sorgente Distribuita per l'EEG: Selezione dei Prior, Implementazione Algoritmica e Riduzione del Bias di Profondità

1. Il Problema: Imaging delle Sorgenti EEG e la Sfida Inversa

L'elettroencefalografia (EEG) è una tecnica di neuroimaging non invasiva con alta risoluzione temporale, ma soffre di una bassa risoluzione spaziale e di una forte sensibilità al rumore. Il problema fondamentale è la ricostruzione della distribuzione spaziale dell'attività neurale all'interno del cervello partendo dalle misurazioni sul cuoio capelluto.

• Natura del problema: Si tratta di un problema inverso mal posto (ill-posed). Esistono infinite configurazioni di sorgenti che possono spiegare le stesse misurazioni osservate.
• Bias di profondità: Un errore sistematico noto come "bias di profondità" affligge la maggior parte dei metodi di localizzazione. Le sorgenti superficiali (vicine al cuoio capelluto) vengono ricostruite con maggiore accuratezza, mentre le sorgenti profonde (es. sottocorticali o mediali) sono sistematicamente sottostimate o mal localizzate.
• Limiti dei modelli attuali: I modelli basati su geometrie sferiche sono insufficienti; è necessario l'uso di modelli anatomici realistici (es. tramite Elementi Finiti - FEM) derivati da scansioni MRI, che però aumentano la complessità computazionale.

2. Metodologia: Approccio Bayesiano e Gerarchico

Il lavoro propone un quadro unificato basato sull'inferenza bayesiana per risolvere il problema inverso, integrando la conoscenza a priori direttamente nel processo di inversione.

A. Formulazione Probabilistica

Il problema è modellato come:
$$y = Lx + \xi$$
dove $y$ sono i potenziali misurati, $L$ è la matrice di campo di piombo (lead field), $x$ sono le ampiezze delle sorgenti dipolari e $\xi$ è il rumore gaussiano.
L'obiettivo è stimare la distribuzione a posteriori $p(x|y)$. Poiché la distribuzione completa è spesso intrattabile, si utilizzano stime MAP (Maximum a Posteriori).

B. Tipologie di Prior (Priors)

L'articolo analizza tre famiglie principali di distribuzioni a priori per promuovere diverse caratteristiche nelle soluzioni:

1. Prior Gaussiano: Promuove soluzioni lisce (equivalente alla regolarizzazione Tikhonov o MNE - Minimum Norm Estimate).
2. Prior Laplace: Promuove la sparsità (poche sorgenti attive), equivalente alla regolarizzazione L1 (MCE - Minimum Current Estimate).
3. Prior Laplace di Gruppo (Group Laplace): Promuove la sparsità strutturata a livello di gruppi di dipoli (es. orientamento della sorgente), favorendo soluzioni focali ma coerenti.

C. Modelli Gerarchici e Stima degli Iperparametri

Per evitare la selezione manuale degli iperparametri (che agiscono come coefficienti di regolarizzazione), gli autori adottano modelli bayesiani gerarchici.

• I parametri di scala dei prior (es. varianza $\gamma$) sono trattati come variabili casuali con i propri hyperprior (es. distribuzioni Gamma o Inverse-Gamma).
• Questo permette un adattamento automatico: il modello "impara" dai dati quali componenti sono rilevanti e quali devono essere ridotte a zero (shrinking).
• Algoritmi di Ottimizzazione: Vengono descritte e confrontate due strategie iterative per la stima MAP:
  • IAS (Iterative Alternating Sequential): Aggiorna alternativamente le sorgenti e gli iperparametri.
  • EM (Expectation-Maximization): Utilizza un passo E (calcolo dell'attesa) e un passo M (massimizzazione), spesso mostrando prestazioni superiori in termini di stabilità e accuratezza.

D. Riduzione del Bias di Profondità tramite Pesi SNR

Un contributo centrale è l'estensione del framework statistico per il Signal-to-Noise Ratio (SNR) per derivare priors pesati in profondità.

• Invece di usare una regolarizzazione uniforme, si assegnano pesi specifici ($w_k$) a ciascuna posizione della sorgente basandosi sulla sensibilità del campo di piombo ($L_k$) e sul rumore atteso.
• La formula collega i parametri del prior direttamente allo SNR e alla norma di Frobenius delle colonne della matrice $L$, permettendo di compensare automaticamente la minore sensibilità verso le sorgenti profonde.

3. Contributi Chiave

1. Panoramica Unificata: Fornisce una descrizione analitica coerente di metodi bayesiani dispersi in letteratura, collegando formulazioni gerarchiche a tecniche di ottimizzazione classica.
2. Derivazione Analitica dei Pesi: Estende il metodo di Calvetti et al. (2019) per derivare automaticamente i pesi di sensibilità per una vasta gamma di prior (Gaussiano, Laplace, Laplace di Gruppo e le loro varianti condizionali).
3. Implementazione Algoritmica: Presenta pseudocodici dettagliati per l'implementazione di algoritmi IAS ed EM applicati a modelli pesati, inclusi meccanismi per evitare la degenerazione iniziale.
4. Valutazione Comparativa: Esegue uno studio di simulazione rigoroso su un modello FEM realistico (soggetto "Ernie") per confrontare le prestazioni dei diversi solutori.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su sorgenti simulate a diverse profondità (da 0 a 30 mm) con livelli di rumore variabili (1% e 10%). Le metriche di valutazione includono la Distanza di Earth Mover (EMD) per accuratezza e focality, e l'analisi del bias di profondità.

• Performance dei Modelli Focali: I modelli basati su prior Laplace (specialmente le varianti condizionali pesate: wCL e wCGL) hanno dimostrato la migliore accuratezza spaziale e la massima focality.
• Superiorità dell'algoritmo EM: L'algoritmo Expectation-Maximization (EM) ha costantemente superato l'IAS in termini di accuratezza di localizzazione e robustezza al rumore, producendo stime più compatte.
• Riduzione del Bias di Profondità:
  • I metodi classici (come MNE e modelli Gaussiani non pesati) mostrano un forte bias verso la superficie, ricostruendo le sorgenti profonde troppo superficialmente.
  • I priors pesati (Weighted Priors) combinati con l'aggiornamento EM riducono drasticamente questo errore. In particolare, wCGL-EM e wCL-EM riescono a localizzare sorgenti profonde (12-20 mm) con un errore di profondità significativamente inferiore rispetto agli altri metodi.
• Robustezza al Rumore: Sebbene tutti i metodi degradino con l'aumento del rumore (10%), i modelli pesati gerarchici mantengono una dispersione degli errori inferiore rispetto ai metodi non gerarchici o non pesati.

5. Significato e Implicazioni

• Diagnostica Clinica: La capacità di localizzare accuratamente le sorgenti profonde è cruciale per applicazioni cliniche come la pianificazione chirurgica per l'epilessia (identificazione di zone epilettogene profonde) o lo studio di aree subcorticali.
• Automazione: L'approccio basato sullo SNR elimina la necessità di una sintonizzazione manuale degli iperparametri, rendendo i solutori più robusti e pronti per l'uso clinico.
• Limiti e Prospettive Future:
  • Sebbene i pesi riducano il bias di profondità, non possono correggere errori sistematici derivanti da discrepanze numeriche (es. risoluzione della mesh, conduttività tissutale imprecisa).
  • Il lavoro suggerisce che, in presenza di rumore, non ci si dovrebbe aspettare stime estremamente focali per sorgenti profonde, poiché i dati misurati sono ambigui.
  • Futuri sviluppi potrebbero integrare vincoli multimodali (es. fMRI, DTI) e tecniche di inferenza approssimata (Variational Bayes) per gestire la complessità computazionale in tempo reale.

In sintesi, il paper dimostra che la combinazione di modelli gerarchici bayesiani, prior sparsi di gruppo e pesatura automatica basata sullo SNR rappresenta lo stato dell'arte per la localizzazione delle sorgenti EEG, offrendo un compromesso ottimale tra accuratezza, focality e resistenza al rumore.