非可逆性在MEG数据中的大脑状态的表征中优于功能连接性

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 认知神经科学 认知神经科学

背景情况:

• 在神经科学中,在任务中描述大脑状态至关重要,通常依赖电脑图 (EEG) 和磁脑图 (MEG).
• 传统方法侧重于振荡功率和功能连接,但有时显示弱任务诱导的变化,尽管强功率调制.

研究的目的:

• 提出和验证非可逆性,功能互动中的时间不对称度,作为任务诱导的大脑状态的更敏感指标.
• 通过使用全脑计算模型,探索磁脑图 (MEG) 数据中不可逆转性背后的因果机制.

主要方法:

• 使用滞后振幅封面相关性 (LAEC) 量化非可逆性,基于振幅封面交叉相关性的不对称性.
• 使用随机森林来比较非可逆性与功能连接的性能,以确定任务诱导的大脑状态.
• 整个大脑的计算模型被用来调查不可逆转性的神经支柱,并结合了来自人类结合体项目 (HCP) 的工作记忆,运动和语言任务的数据.

主要成果:

• 在识别任务诱导的大脑状态方面,非可逆性显著超过功能连接性.
• 非可逆性在检测各种任务中的自下而上马波段和α波段相关的大脑状态方面表现出卓越的灵敏度.
• 全脑模型表明,有效连接的不对称性和轴突导电延迟是塑造不可逆转性的关键因素.

结论:

• 与传统的功能连接测量相比,非可逆性为表征大脑状态提供了更高的灵敏度.
• 这种方法对于在玛和α频段中识别与任务相关的调制特别有效.
• 这些发现表明,受有效连接和传导延迟影响的不可逆性,为分析神经科学研究中的大脑动态提供了有价值的新维度.