通过使用循环神经网络,对与事件相关的场所背后的电磁源进行局部估计

科学领域:

• 计算神经科学是一种神经科学.
• 生物物理学的生物物理.
• 信号处理 信号处理

背景情况:

• 像磁脑造影 (MEG) 这样的非侵入性电磁测量提供了对大脑活动的洞察.
• 从这些信号中准确地重建神经活动对于理解大脑功能至关重要.
• 现有的来源重建方法在生物现实主义和信号保真性方面存在局限性.

研究的目的:

• 开发和验证一种循环神经网络 (RNN) 模型,用于从电磁信号中重建神经活动.
• 与传统方法相比,提高神经源定位的生物现实性和准确性.
• 为了利用RNN框架内的生物物理约束来增强信号重建.

主要方法:

• 使用一个具有固定输出权重的RNN来表示从边界元素方法和共同注册的MRI/MEG数据中获得的领先场矩阵.
• 训练RNN以最大限度地减少输出和MEG信号之间的平均平方误差,然后对集中激活进行L1规范化.
• 使用模拟和来自听觉奇怪实验的真实MEG数据验证了该方法,与光束造型器,最小规范估计和混合规范估计进行比较.

主要成果:

• 拟议的RNN方法显示出更高的输出信号与噪声比率.
• 在估计和模拟的神经源之间实现了可比的相关性和错误指标.
• 与其他方法相比,重建的MEG信号与基准真相具有更高或相同的相似性.
• 从真实MEG数据中估计的源信号在生物物理上是可信的,并且与现有文献一致.

结论:

• 纳入生物物理约束的RNN方法代表了神经源重建的重大进步.
• 这种方法为分析与事件相关的神经反应提供了更大的生物现实主义.
• 它为研究输入操纵对局部神经活动的影响开辟了新的可能性.