多变量多尺度 (mMSE) 作为理解静止状态EEG信号动态的工具:空间分布和与性别/性别相关的差异
Monika Lewandowska1, Krzysztof Tołpa1, Jacek Rogala2
1Department of Clinical Psychology and Neuropsychology, Institute of Psychology, Faculty of Philosophy and Social Sciences, Nicolaus Copernicus University in Torun, Gagarina 39 Street, 87-100, Torun, Poland.
Behavioral and brain functions : BBF
|October 5, 2023
概括
这项研究揭示了静止状态EEG复杂性在脑网络和时间尺度之间如何变化. 与男性相比,女性表现出明显的复杂性模式,特别是在MaxSlope和AvgEnt措施中.
科学领域:
- 神经科学是一个神经科学.
- 大脑网络分析 脑网络分析
- 电脑电图 (EEG) 是一种电脑电图.
背景情况:
- 休息状态EEG (rsEEG) 复杂性分析对于理解大脑功能至关重要.
- 多变量多尺度 (mMSE) 是量化rsEEG复杂性的强大工具.
- 以前的研究已经通过使用概率图识别了大脑中的功能网络.
研究的目的:
- 在不同功能性大脑网络中研究静止状态EEG的时空复杂性变化.
- 通过使用mMSE来检查rsEEG复杂性的性别/性别差异.
- 在功能网络中识别特定的mMSE特征,这些特征是功能网络中的微和粗时间尺度上的.
主要方法:
- 使用mMSE分析了95名健康成年人的rsEEG数据.
- 定义了与功能网络 (如SMN,DAN,DMN,VN,LN,FPN) 相应的频道集.
- 每个网络都提取了关键的复杂度指标,包括曲线下的面积 (AUC),MaxSlope,AvgEnt和DiffEnt.
主要成果:
- 人体运动网络 (SMN),背侧网络 (DAN) 和默认模式网络 (DMN) 的整体复杂性 (AUC) 最高.
- 视觉网络 (VN) 显示出最低的复杂性变化 (MaxSlope) 和平均 (AvgEnt).
- 女性在所有网络中显示出更高的MaxSlope和DiffEnt,但与男性相比,女性的AvgEnt较低.
结论:
- 特定的mMSE特征有效地捕获不同静止状态大脑网络中的时间动态.
- 在这些大脑网络的复杂性测量中,发现了显著的性别/性别差异.
