Problème inverse d'EEG : TP2 - Régularisation de Tikhonov et régularisation TV-L1
Problème inverse d'EEG : TP2 - Régularisation de Tikhonov et régularisation TV-L1
Programming, Math, EEG · lab
Fiche de révisionGuide de TP
Rédigée à partir de ce document, puis vérifiée avant publication.
Ce TP porte sur la résolution du problème inverse en EEG à l’aide de deux méthodes de régularisation : la régularisation de Tikhonov (norme L2) et la régularisation TV-L1. Il permet d’implémenter et d’étudier ces deux algorithmes, MNE et SISSY, pour localiser des sources distribuées à partir de données EEG. Le travail nécessite des connaissances en optimisation, en algèbre linéaire, ainsi qu’une maîtrise de la programmation numérique (par exemple en MATLAB ou Python).
trisurf pour afficher les résultats.L’objectif est de résoudre le problème inverse suivant :
min_s ||x − A s||2^2 + λ ||s||2^2
où x est le signal mesuré, A la matrice de gain, s la source inconnue, et λ le paramètre de régularisation.
La solution analytique est donnée par :
s = Aᵀ (A Aᵀ + λ I)⁻¹ x
avec I la matrice identité. Cette formule est obtenue en appliquant un lemme d’inversion spécifique.
À faire :
MNE(x, A, lambda) qui calcule s selon la formule ci-dessus.λ = 1.s avec la fonction trisurf pour vérifier la localisation des sources.Un résultat correct doit montrer une reconstruction cohérente des sources sur le cortex modélisé.
Pour approfondir la compréhension :
λ entre 0.1 et 1000. Observer comment la solution s change, notamment en termes de lissage et de fidélité aux données.λ entre 1 et 1000. Comparer les résultats pour comprendre l’impact du bruit sur le choix de λ.λ :||x − A s||2 en fonction de la norme ||s||2 pour différents λ. Le pli de la courbe indique le choix optimal.λ tel que la puissance de l’erreur de reconstruction soit proche de la puissance du bruit, c’est-à-dire ||x − A s||2^2 ≈ ||n||2^2.λ minimisant la fonction :GCV(λ) = ||x − A s||2^2 / (trace{I − A (Aᵀ A + λ I)⁻¹ Aᵀ})^2
λ variant de 1e-10 à 1e10. Comparer leur efficacité dans le contexte EEG.Le problème d’optimisation devient :
min_s ||x − A s||2^2 + λ (||z||1 + α ||y||1)
s.t. z = T s, y = s
où T est un opérateur gradient sur la surface du maillage cortical, z et y sont des variables auxiliaires, et α un paramètre supplémentaire.
L’algorithme ADMM est utilisé pour résoudre ce problème, avec les mises à jour :
s^(k+1) = (Aᵀ A + ρ (Tᵀ T + I))⁻¹ [Aᵀ x + ρ Tᵀ z^(k) + Tᵀ u^(k) + ρ y^(k) + v^(k)]
z^(k+1) = prox_(λ/ρ)(T s^(k+1) − u^(k)/ρ)
y^(k+1) = prox_(λα/ρ)(s^(k+1) − v^(k)/ρ)
u^(k+1) = u^(k) + ρ (z^(k+1) − T s^(k+1))
v^(k+1) = v^(k) + ρ (y^(k+1) − s^(k+1))
L’opérateur proximal prox_β(y) associé à la norme L1 est défini par :
prox_β(y) = argmin_x (1/2) ||x − y||2^2 + β ||x||1
avec la solution élémentaire :
x_i =
y_i − β si y_i > β
y_i + β si y_i < −β
0 sinon
Le paramètre de pénalité ρ est fixé à 1.
Pour réduire la complexité numérique lors de la mise à jour de s, une décomposition de Cholesky et un lemme d’inversion sont utilisés. Au début de l’algorithme, insérer :
P = sparse(ρ * (T.' * T + speye(size(T, 2))));
APi = A / P;
L = chol(eye(size(A,1)) + APi * A.', 'lower');
s1 = A.' * x;
Dans la boucle d’itération (fixée à 60 itérations), mettre à jour s avec :
b = s1 + ρ * (T.' * (z + u / ρ) + y + v / ρ);
s = P \ b - APi.' * (L.' \ (L \ (APi * b)) );
À faire :
SISSY(x, A, T, lambda, alpha) implémentant cet algorithme ADMM.λ = 1 et α = 0.1.Une solution correcte doit montrer une localisation précise des sources avec un effet de régularisation favorisant la structure et la parcimonie.
λ entre 0.01 et 1000. Observer l’impact sur la solution inverse.λ, puis faire varier α de 0 à 1. Comparer les solutions obtenues avec la configuration originale des sources.λ et α dans la qualité de la solution.λ adapté, minimiser la contrainte :f(s) = ||T s||_0 + α ||s||_0
où la norme L0 est approximée en considérant que tous les éléments s_d tels que :
|s_d| < 0.01 max_{d} |s_d|
sont nuls. Tester cette heuristique et comparer le résultat avec celui obtenu par le principe de discrepancy.
λ.λ doivent permettre d’identifier un paramètre optimal, visible notamment par la courbe en L, la correspondance avec la puissance du bruit, ou la minimisation de la fonction GCV.λ et α sur la sparsité et la régularité.λ qui favorise une solution plus proche de la réalité physique des sources.λ et α dans SISSY, ce qui peut conduire à une régularisation inadéquate.z et y.