Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Deep-Meg: A deep learning approach for magnetoencephalograhic inverse problem solutions.

Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference·2025
Same author

Analyzing Information Exchange in Parkinson's Disease via Eigenvector Centrality: A Source-Level Magnetoencephalography Study.

Journal of clinical medicine·2025
Same author

An Ultrasound Prototype for Remote Hand Movement Sensing: The Finger Tapping Case.

Sensors (Basel, Switzerland)·2025
Same author

The Effect of Sleep Deprivation on Brain Fingerprint Stability: A Magnetoencephalography Validation Study.

Sensors (Basel, Switzerland)·2024
Same author

In-Vivo Electrical Properties Estimation of Biological Tissues by Means of a Multi-Step Microwave Tomography Approach.

IEEE transactions on medical imaging·2024
Same author

Microwave Breast Sensing via Deep Learning for Tumor Spatial Localization by Probability Maps.

Bioengineering (Basel, Switzerland)·2023

Video Experimental Relacionado

Updated: Sep 9, 2025

Detecting Pre-Stimulus Source-Level Effects on Object Perception with Magnetoencephalography
09:25

Detecting Pre-Stimulus Source-Level Effects on Object Perception with Magnetoencephalography

Published on: July 26, 2019

7.0K

Localización y reconstrucción de la fuente magnetoencefalográfica a través del aprendizaje profundo

Stefano Franceschini1, Michele Ambrosanio2, Maria Maddalena Autorino1

  • 1Department of Engineering, University of Naples Parthenope, Naples, Italy.

Frontiers in neuroscience
|September 2, 2025
PubMed
Resumen
Este resumen es generado por máquina.

Un nuevo algoritmo de aprendizaje profundo, Deep-MEG, mejora la reconstrucción espacial y temporal de la fuente a partir de datos de magnetoencefalografía (MEG). Este avance ofrece una mejor estimación de la señal cerebral para la localización clínica precisa de los tejidos patológicos.

Palabras clave:
Formación de la vigaEstimación de la señal cerebralreconstrucción de la fuente cerebralMagnetoencefalografíalas redes neuronales

Más Videos Relacionados

How to Detect Amygdala Activity with Magnetoencephalography using Source Imaging
10:48

How to Detect Amygdala Activity with Magnetoencephalography using Source Imaging

Published on: June 3, 2013

22.3K
Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging
11:28

Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging

Published on: June 30, 2018

11.8K

Videos de Experimentos Relacionados

Last Updated: Sep 9, 2025

Detecting Pre-Stimulus Source-Level Effects on Object Perception with Magnetoencephalography
09:25

Detecting Pre-Stimulus Source-Level Effects on Object Perception with Magnetoencephalography

Published on: July 26, 2019

7.0K
How to Detect Amygdala Activity with Magnetoencephalography using Source Imaging
10:48

How to Detect Amygdala Activity with Magnetoencephalography using Source Imaging

Published on: June 3, 2013

22.3K
Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging
11:28

Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging

Published on: June 30, 2018

11.8K

Área de la Ciencia:

  • La neurociencia
  • Ingeniería biomédica
  • Inteligencia artificial

Sus antecedentes:

  • La magnetoencefalografía (MEG) proporciona una excelente resolución temporal, pero tiene dificultades con la resolución espacial en la estimación de la fuente debido a la naturaleza incorrecta del problema inverso.
  • La localización precisa de la fuente es crucial para identificar los tejidos patológicos e informar las decisiones clínicas.
  • Los métodos tradicionales de reconstrucción de la fuente de MEG se enfrentan a limitaciones para lograr una alta precisión espacial.

Objetivo del estudio:

  • Introducir Deep-MEG, un algoritmo de aprendizaje profundo para la reconstrucción simultánea de fuentes espaciales y temporales utilizando señales MEG.
  • Abordar las limitaciones de los métodos tradicionales en el procesamiento de datos MEG para la localización precisa de la fuente.
  • Desarrollar una herramienta completa capaz de analizar señales de todo el cerebro, no sólo de fuentes corticales.

Principales métodos:

  • Desarrollo de una arquitectura de red neuronal híbrida (Deep-MEG) para el procesamiento de datos del sensor MEG.
  • Validación mediante simulaciones con múltiples fuentes activas utilizando un modelo avanzado realista.
  • Comparación del rendimiento de Deep-MEG con los algoritmos de reconstrucción más avanzados.
  • Prueba del algoritmo con datos MEG del mundo real.

Principales resultados:

  • Deep-MEG demuestra la capacidad de extraer información espacial y temporal de las señales MEG.
  • El algoritmo es prometedor para mejorar la precisión de la estimación de la señal cerebral a nivel de la fuente.
  • Las simulaciones y las pruebas de datos reales indican el potencial de Deep-MEG para mejorar la reconstrucción de la fuente.

Conclusiones:

  • Deep-MEG ofrece una solución de aprendizaje profundo prometedora para la estimación de fuentes de MEG de alta resolución.
  • El algoritmo tiene el potencial de superar las limitaciones de resolución espacial del análisis MEG tradicional.
  • Deep-MEG podría beneficiar significativamente las aplicaciones clínicas que requieren una localización precisa de la actividad cerebral y la patología.