Comparaison de solutions à base d'ondelettes spatiales pour le problème inverse M/EEG

This paper describes new approaches to the inverse M/EEG problem incorporating a penalty favoring sparsity properties in a spatial wavelet domain. It discusses and compares variational (minimization of a quadratic data attachment, with regularization favoring parsimony) and Bayesian (Sparse Bayesian Learning) versions with more classical approaches. Numerical results (simulated and real data) show the ability of these approaches to estimate brain activities localized in extended regions, both in terms of spatial localization and sources amplitude. ; Cet article décrit de nouvelles approches au problème inverse M/EEG intégrant une pénalisation favorisant la parcimonie dans un domaine d'ondelettes spatiales. Il compare des versions variationnelles (minimisation d'une attache aux données quadratique, avec régularisation favorisant la parcimonie) et Bayésiennes (Sparse Bayesian learning) avec des approches plus classiques. Des résultats numériques (données simulées et réelles) montrent la capacité de ces approches à bien estimer des activités cérébrales localisées dans des régions étendues, tant en termes d'erreur de localisation que d'erreur sur l'amplitude des sources.