在本地场潜在记录中通过深度大脑刺激诱导的缓慢人工动态的强有力的去除,使用基于SVD的自适应过
Nooshin Bahador1,2, Josh Saha1,3, Mohammad R Rezaei1,2
1Krembil Research Institute, University Health Network (UHN), 60 Leonard Ave, Toronto, ON M5T 0S8, Canada.
Bioengineering (Basel, Switzerland)
|June 28, 2023
概括
这项研究引入了一种结合SVD和自适应过的新方法,以从深度大脑刺激 (DBS) 神经记录中删除快速和缓慢的文物. 这种新技术有效地清除了本地场域潜力,以便在认知神经科学研究中进行更好的分析.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 信号处理 信号处理
背景情况:
- 深度大脑刺激 (DBS) 是运动障碍的关键治疗方法,也是认知神经科学的工具.
- 在DBS期间的神经记录经常被快速和缓慢的文物污染,阻碍了分析.
- 现有的文物移除方法主要集中在快速的文物上,忽视慢信号污染.
研究的目的:
- 开发和验证一种新的方法,用于从DBS记录的局部场势 (LFP) 中删除快速和缓慢的工件.
- 提高神经数据的质量,以研究决策过程中的神经调制.
主要方法:
- 开发了一种结合单值分解 (SVD) 和正常化自适应过的新文物删除算法.
- 该方法在口头Stroop任务中使用合成数据和实时的LFPs从亚thalamic核进行了测试.
- 性能与四种已建立的文物移除技术进行了比较.
主要成果:
- 与现有方法相比,拟议的SVD和自适应过方法在删除快速和慢速DBS文物方面表现出优异的性能.
- 该算法有效地清理了在认知任务中记录的LFP,展示了其实际适用性.
- 在一个口头Stroop任务期间,subthalamic核记录显示了成功的文物移除.
结论:
- 基于SVD的新型自适应过方法在清除DBS污染的神经信号方面取得了重大进展.
- 这种方法提高了LFP数据的可靠性,促进了对认知任务中神经调节机制的更深入理解.
- 该算法是研究人员和临床医生在神经科学和运动障碍治疗中与DBS合作的宝贵工具.
