脑电溯源定位，即脑电逆向问题，是根据头表记录到的电位信号，反向推算出估计的脑内神经活动源的位置、方向和强度信息。
参考链接：
本质上，脑电逆问题是非线性优化问题，考虑到计算的复杂性，因而近似规约为线性问题 Y = AX，其中，Y = 头表电极实际记录到的信号，X = 待进行空间定位的源信息向量，A = 传递矩阵（增益矩阵）=脑电正向问题的解，可通过构造合适的头模型等获得。即
头皮脑电信号= 大脑皮层电活动 x 传递矩阵（脑脊液、脑膜、颅骨、头皮等的传导作用）。
因为X和A都是未知的，所以X是可以有多种解的，算法软件给出的最终结果是在一定数学约束下得到的。
正向问题：皮层活动→脑电信号（建头模→求导电场）
逆向问题：脑电信号→皮层活动（头皮分布→追踪信号源）
等效电流偶极子模型：用小数目的等效电流偶极子，每个偶极子代表一小块皮层区域的总活动，并假设这些偶极子随时间变化只能变化强度。
分布式源模型：把整个大脑（或大脑皮层表面）分为数目相当多的小块（大约有几千块），然后计算这些小块的强度组合，使其能够解释所观察到的头皮分布，又能满足附加的一定数学限制（如L1, L2范数）。即将头颅切分为多个微小的立方体（几千个），同时也确定了各个脑区的定位，多个立方体的活动共同形成了头皮上的ERP记录。
溯源即是根据头皮EEG电位记录，逆推有电活动的小立方体，最后将其可视化。
MNE 溯源算法流程
偶极子源模型和分布源模型是两种广泛采用的脑电源模型，两者各有优劣。
偶极子源模型：参数少，便于操作，
分布源模型：无需假定源的个数，对非局部的脑电活动有很好模拟。
基于两种模型的优缺点，中国电子科技大学 尧德中 团队提出了一种“高斯源模型”。其基本思路是通过高斯源模型，用数据自动选取高斯核大小的方式，实现“分布电流源密度成像”和“偶极子源定位”的统一。参考文献：2009.Computers in Biology and Medicine, Gaussian Source Model based Iterative Algorithm for EEG source Imaging.
逆向问题求解的常用软件
sLORETA/eLORETA/LORETA：http://www.uzh.ch/keyinst/loreta.htm （最新版）
http://www.uzh.ch/keyinst/NewLORETA/Software/Software.htm （2008版）（Tutorial在软件安装后可见）
FieldTrip：https://www.fieldtriptoolbox.org/tutorial/ （MNE方法）（Tutorial在官网可查）
SPM8：https://www.fil.ion.ucl.ac.uk/spm/software/spm8/
Brainstorm：https://neuroimage.usc.edu/brainstorm/
BESA：https://www.besa.de/
推荐文献
2019.Handbook.of.Clinical.Neurology, Chapter 6, EEG Source Localization.
2018.Annual Review of Biomedical Engineering, Electrophysiological Source Imaging: A Noninvasive
Window to Brain Dynamics
2008.J.NeuroEngineering.Rehabilitation, Review on solving the inverse problem in EEG source analysis.
2008.J.NeuroEngineering.Rehabilitation, Review on solving the forward problem in EEG source analysis.
2011.Comput.Intell.Neurosci, EEG and MEG data analysis in SPM8.
推荐阅读