In order to overcome some of the limitations of the distributed inverse solution algorithms, a new algorithm named Standardized Weighted Low Resolution Tomography (swLORETA) was developed. The swLORETA algorithm incorporates a singular value decomposition (SVD) based lead field weighting to compensate the tendency of the linear inverse procedures in general, and sLORETA in particular, to reconstruct the sources close to the location of the sensors. It also contributes to decrease the sensitivity of the solution to the presence of noise. An extension of the swLORETA to the time-frequency domain was also developed by applying the Hilbert transform to the time series obtained with the swLORETA. Finally, the coherence and phase synchronization imaging methods were introduced to assess functional connectivity within the brain. The tomographic properties of swLORETA and sLORETA were compared using both simulated and real data. In the simulation studies, the reconstruction of single and multiple current dipoles was simulated varying their position and orientation across the source space and taking into account the presence of noise. The real data was obtained from healthy subjects who performed a classical spatial attention experiment. The tests performed demonstrated that the resulting algorithm is not only efficient but also accurate as demonstrated by the analysis of a spatial attention experiment.
In dieser Arbeit wird ein neuer Algorithmus, Standardized Weighted Low Resolution Tomography (swLORETA) genannt, vorgestellt, der einige der Beschränkungen von verteilten Lösungen für eine Quellenlokalisation beseitigt. Der swLORETA-Algorithmus enthält eine Wichtung für das Leitungsfeld, das auf eine singular value decomposition (SVD) basiert. Damit wird die Tendenz der linearen Quellenlokalisation im Allgemeinen und von sLORETAim Besonderen, die Quellen zu nahe zu den Sensorpositionen zu lokalisieren, kompensiert. Die veränderte Wichtung trägt auch zu einer Abnahme der Rausch-Empfindlichkeit der Lösung bei. Eine Erweiterung von swLORETA in den Zeit-Frequenz-Bereich wurde entwickelt. Dies geschah durch Anwendung der Hilbert-Transformation auf Zeitreihen, die durch swLORETA erzeugt wurden. Schließlich wurden Bildgebungsmethoden für die Kohärenz und die Phasen-Synchronisation eingeführt, um die funktionalen Verbindungen im Gehirn zu untersuchen. Die tomographischen Eigenschaften von swLORETA und sLORETA wurden mit Hilfe simulierter und realer Daten verglichen. In den Simulations-Studien wurde die Rekonstruktion von einzelnen wie multiplen Dipolen bei Berücksichtigung von Rauschen simuliert, wobei sowohl die Position als auch die Orientierung variiert wurde. Die realen Daten wurden von gesunden Probanden aufgenommen, die ein klassisches räumliches Aufmerksamkeits-Experiment ausführten. Die Testergebnisse dieses Experiments zeigen, dass der Algorithmus nicht nur effizient arbeitet, sondern auch genaue Resultate zur Analyse derartiger Experimente liefert.