Inferenza Bayesiana dinamica in M/EEG: un nuovo approccio computazionale

Abstract

Questa tesi affronta la sfida di risolvere problemi inversi nelle neuroscienze, concentrando l'attenzione sulla localizzazione dell'attività neurale mediante tecniche come MEG ed EEG. Si esplora l'approccio Bayesiano come soluzione a questo problema, utilizzando il modello dipolare per stimare il numero, la posizione, il verso e l'intensità dei dipoli di corrente dalle misurazioni MEG o EEG.

Il lavoro evidenzia l'uso del particle filter, una tecnica Bayesiana Monte Carlo, per la ricostruzione delle sorgenti neurali dinamiche, ma sottolinea le sfide legate alla comparsa di nuove sorgenti. Per superare questi limiti, si introduce un nuovo approccio basato sull'algoritmo SESAME, un metodo Bayesiano che utilizza Sequential Monte Carlo (SMC) samplers per la ricostruzione di sorgenti neurali statiche.

Questo nuovo approccio analizza i dati istante per istante, consentendo una serie di stime per ciascun istante, in cui le stime successive tengono conto delle informazioni precedenti. In sintesi, anziché ottenere una singola stima statica per le sorgenti neurali su un intervallo temporale, il nuovo approccio fornisce una serie di stime che catturano la dinamica delle sorgenti nel tempo. La tesi è strutturata in cinque capitoli che coprono aspetti teorici e computazionali di questo processo.

This thesis addresses the challenge of solving inverse problems in neuroscience, with a specific focus on localizing neural activity using techniques such as MEG and EEG. It explores the Bayesian approach as a solution to this problem, employing the dipole model to estimate the number, position, direction, and intensity of current dipoles from MEG or EEG measurements.

The work highlights the use of the particle filter, a Bayesian Monte Carlo technique, for dynamic neural source reconstruction but underscores the challenges associated with the appearance of new sources. To overcome these limitations, a new approach based on the SESAME algorithm is introduced. SESAME is a Bayesian method that utilizes Sequential Monte Carlo (SMC) samplers for the reconstruction of static neural sources.

This novel approach analyzes data moment by moment, providing a series of estimates for each time instant, with subsequent estimates taking into account previous information. In summary, instead of obtaining a single static estimate for neural sources over a time interval, the new approach provides a series of estimates capturing the dynamics of sources over time. The thesis is structured into five chapters covering theoretical and computational aspects of this process.