Weighted time series analysis for electroencephalographic source localization

• Eduardo Giraldo Suárez ^[1] ; Germán Castellanos Domínguez ^[2] ; Diego Hernán Peluffo Ordoñez
  1. [1] Universidad Tecnológica de Pereira

     Universidad Tecnológica de Pereira

     Colombia

     
  2. [2] niversidad Nacional de Colombia
• Localización: DYNA: revista de la Facultad de Minas. Universidad Nacional de Colombia. Sede Medellín, ISSN 0012-7353, Vol. 79, Nº. 176, 2012, págs. 64-70
• Idioma: inglés
• Títulos paralelos:
  • Análisis de series de tiempo ponderadas para la localización de fuentes electroencefalográficas
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Este artículo presenta un nuevo método para la estimación de actividad neuronal a partir de señales electroencefalográficas usando análisis de series de tiempo ponderadas. El método considera un modelo lineal basado en restricciones fisiológicas que tiene en cuenta tanto la dinámica espacial como la temporal, y una etapa de ponderación que modifica las suposiciones del modelo a partir de las observaciones. La matriz de pesos calculada es incluida en la función de costo usada para solucionar el problema inverso dinámico, y por lo tanto en la formulación del filtro de Kalman. De esta forma, se propone un filtro de Kalman ponderado que incluye la matriz de pesos. El desempeño del filtro (en términos del error de localización) se analiza para varios SNRs. El desempeño óptimo se alcanza usando el modelo lineal con matriz de ponderación calculado por el método de producto interno

  • English

    This paper presents a new method to estimate neural activity from electroencephalographic signals using a weighted time series analysis. The method considers a physiologically based linear model that takes both spatial and temporal dynamics into account and a weighting stage to modify the assumptions of the model from observations. The calculated weighting matrix is included in the cost function used to solve the dynamic inverse problem, and therefore in the Kalman filter formulation. In this way, a weighted Kalman filtering approach is proposed including a preponderance matrix. The filter's performance (in terms of localization error) is analyzed for several SNRs. The optimal performance is achieved using the linear model with a weighting matrix computed by an inner product method