参考文献《脑电信号处理与特征提取》P159 / 第八章 源分析 / 第二节 逆问题
1. 等效偶极子模型 (Equivalent Current Dipole, ECD)
核心思想： 假设脑内只有少数几个（通常为1-3个）高度集中的电流源，每个源被简化为一个具有位置、方向和强度的"点"。
-
优点：
-
参数极少，计算速度极快。
-
对于简单的局灶性放电（如癫痫病灶或初级感觉诱发成分）解释性很强。
-
-
缺点：
-
预设性强： 需要预先指定偶极子的数量，数量设错会导致结果完全不可信。
-
局限性： 无法表征大面积皮层活动的弥散性。
-
-
适用场景： 简单的诱发单位，如SEP（体感诱发电位）的早期成分。
2. 分布源模型 (Distributed Source Model, 如 LORETA, MNE)
核心思想： 并不假设源的数量，而是将整个皮层分割成成千上万个小的体素（Voxel），假设每个体素都是一个电偶极子，通过约束算法（如L2范数最小化）计算全脑的电流密度分布。
-
优点：
-
无需预设： 不需要提前知道源的数量或位置。
-
解的连续性： 能够描绘出大脑活动在空间上的扩展和演变。
-
-
缺点：
-
空间分辨率较低： 结果往往比较"模糊"（Blurring），容易产生伪影。
-
深度偏差： 倾向于将电荷分配给靠近头皮的浅层皮层（MNE常见问题）。
-
-
适用场景： 复杂的认知任务、涉及多个脑区的协同活动。
3. 波束形成法 (Beamforming, 如 SAM, LCMV)
核心思想： 源于雷达信号处理。它不是一次性求解全脑，而是构建一个"空间滤波器"，每次只允许来自特定空间位置的信号通过，而抑制其他位置的噪声。
-
优点：
-
抗噪能力极强： 能够有效抑制环境噪声和眼动干扰。
-
空间分辨率高： 产生的定位点非常锐利。
-
-
缺点：
- 相关源失效： 如果大脑中两个区域的活动是高度同步（相关）的，波束形成器会误认为这是噪声并将其抵消。
-
适用场景： 振荡分析（如Alpha/Beta律动）、单试次数据分析。
4. 稀疏解 (Sparse Solutions, 如 L1范数最小化, SBL)
核心思想： 结合了偶极子和分布源的特点。它假设虽然大脑体素很多，但只有极少数体素是真正活跃的。数学上使用L1范数（Lasso回归）或其他稀疏约束。
-
优点：
-
定位极其精准： 能够产生比分布源模型更清晰、更聚拢的边界。
-
多源识别： 比ECD更灵活，比MNE更锐利。
-
-
缺点：
-
计算复杂度高： 涉及非线性优化，计算耗时较长。
-
不稳定性： 对噪声比较敏感，微小的干扰可能导致激活点发生跳跃。
-
-
适用场景： 需要高空间精度、且物理意义明确的临床研究。
综合对比：
| 特性 | 等效偶极子 (ECD) | 分布源 (MNE/LORETA) | 波束形成 (Beamforming) | 稀疏解 (Sparse) |
|---|---|---|---|---|
| 源假设 | 极少数点源 | 连续的电流密度 | 空间滤波通过 | 少数活跃点/块 |
| 空间分辨率 | 极高（但依赖预设） | 较低（较模糊） | 高 | 极高（较锐利） |
| 计算复杂度 | 低 | 中 | 中 | 高 |
| 预验知识 | 需要（已知源数量） | 不需要 | 不需要 | 不需要 |
| 主要弱点 | 数量设错则结果错 | 深度偏好/模糊 | 无法处理同步源 | 噪声稳定性差 |