脳波解析での空間フィルタ（ラプラシアン）Analyzing Neural Times Series Data 22章
- 1. ANTS Chap. 22 Surface Laplacian 坂本 嵩 慶應義塾大学環境情報学部 学部?大学院修士四年一貫教育プログラム 2020.05.20. ANTS輪読会
- 2. Cohen (2014), “Analyzing Neural Time Series Data” 本スライドはANTS本の22章を 参考にしています。 脳波解析を簡潔にbut網羅的に 解説する良書です。 原著あたった方が早いかも。 付録ありで、かなり進めやすいです。 ?YouTubeのビデオレクチャー ?無料のサンプルコード ?有料のUdemyバージョン その前に
- 3. ラプラシアンフィルタ 目次 目的?メリット?デメリット?注意 点 1. ラプラシアンフィルタとは 空間局所度があがり、 topographic mapの可視化が便利に 2. 嬉しいこと①：空間局所度 Volume Conductionが減ると コネクティビティが捗る 3. 嬉しいこと②：コネクティビティ 要は重み付け 4. 計算方法 #とは空間局所度結合性計算方法
- 5. メリット?デメリット メリット ?電極ベースの空間局所度↑ ?Volume-conduction ノイズ↓ ?レファレンス電極に依らない ?パラメータ / 仮定が少ない （?活動源推定） ラプラシアンフィルタとは デメリット ?頭蓋全体に渡る活動↓ e.g.) P3b ?脳回表面の活動のみ取れる ?深い or 振幅が超同期している 活動源は取れない #とは
- 7. 空間局所度の上昇（右：シミュ、下：実データ） 右A： 低周波なシード＠Pz 右B： 高周波なシード＠C3, C4 右C： A + B (観測値) 右D： C + ラプラシアンフィルタ 高周波成分が取り出せる！ 嬉しいこと① 空間局所度
- 11. ナイーブな近似 近傍電極の平均を引き算する→全体的な活動はなんとなく消える でも容積伝導は距離によって決まる →Perrin et al. の方法 計算方法 計算方法
- 14. G行列?H行列：重み行列 i, j： 電極のインデックス cosdistij： 電極iと電極jの位置ベクトルのコサイン類似度≒内積≒距離 m： 定数。4が推奨。小さいと高周波数情報のみを通すようになる Pn(x)： ルジャンドル多項式（ググって） n： ルジャンドル多項式の次数。7が推奨。 計算方法 計算方法