识别振荡性大脑网络与隐藏的MEEG的高斯图形光谱模型
Deirel Paz-Linares1,2, Eduardo Gonzalez-Moreira1,3,4, Ariosky Areces-Gonzalez1,5
1The Clinical Hospital of Chengdu Brain Science Institute, MOE Key Lab for Neuroinformation, School of Life Science and Technology, University of Electronic Science and Technology of China, Chengdu, China.
Scientific reports
|July 15, 2023
概括
这项研究引入了一种新的贝叶斯模型 (HIGGS) 来从EEG/MEG数据中准确估计大脑网络活动,与理解认知和行为的当前方法相比,大大减少了错误.
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.
- 信号处理 信号处理
背景情况:
- 识别功能性脑网络对于理解认知和行为至关重要.
- 电脑图 (EEG) 和磁脑图 (MEG) 为大脑活动估计提供了高时间分辨率.
- 目前用于功能连接估计的反向解决方案包含重大错误.
研究的目的:
- 为了确定功能连接分析中估计错误的原因.
- 介绍一个新的贝叶斯模型,HIGGS,用于准确的振荡脑网络建模.
- 改进使用EEG/MEG数据对功能网络的估计.
主要方法:
- 开发了一个隐藏高斯图形光谱 (HIGGS) 模型的贝叶斯识别.
- 模拟人类EEGα节律数据来测试HIGGS模型.
- 通过对象的同时EEG/ECoG记录验证了结果.
主要成果:
- 在模拟中,HIGGS模型将估计误差降低到2%以下,而在最先进的方法中,这一比例为20%.
- 实验验证表明,HIGGS实现了比现有方法大1/3倍的一致性.
- 确定模型错误规范是当前反向解决方案中错误的重要来源.
结论:
- 根据EEG/MEG数据,HIGGS模型提供了一种更准确的方法来估计功能性脑网络.
- 这一进步对理解认知,行为和神经系统疾病有影响.
- 在神经科学逆向问题中,HIGGS模型代表了与当前最先进的方法相比的显著改进.
更多相关视频
08:45Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example
Published on: October 24, 2012
14.7K
11:15Applications of EEG Neuroimaging Data: Event-related Potentials, Spectral Power, and Multiscale Entropy
Published on: June 27, 2013
33.8K