大脑连接性估计在多次试验的脑电图数据中的陷.
Vida Mehdizadehfar1, Fanaz Ghassemi1, Ali Fallah1
1Department of Bioelectric, School of Biomedical Engineering, Amirkabir University of Technology, Tehran, Iran.
Basic and clinical neuroscience
|December 5, 2023
概括
使用脑电图 (EEG) 估计大脑连接性,需要计算每个试验的连接性和平均结果. 较少的试验数量会产生不可靠的,膨胀的连接值,而较大的数量会提高模型适合性和可靠性.
科学领域:
- 神经科学是一个神经科学.
- 信号处理 信号处理
- 生物医学工程 生物医学工程
背景情况:
- 电脑电图 (EEG) 提供高时间分辨率,非常适合用于大脑连接分析.
- 从多个试验的EEG数据计算连接性,在试验纳入和平均化方面存在挑战.
- 现有的方法缺乏明确的最佳试验处理,以准确估计连接性.
研究的目的:
- 通过使用EEG调查试验数对大脑连接性估计的影响.
- 从多试验EEG数据来确定计算连接性的最可靠方法.
- 在神经科学研究中提供准确的大脑连接分析的指南.
主要方法:
- 用已知自回归系数 (AR) 生成模拟的EEG数据.
- 使用不同数量的试验提取多变量自回归 (MVAR) 模型.
- 用格兰杰因果关系 (GC) 和部分定向一致性 (PDC) 来估计连接性.
主要成果:
- 连接性估计是显著更高和更可变的小试验数量 (5-10试验).
- 增加试验数量改善了MVAR模型的合适性,并导致了融合的连接值.
- 模拟数据的发现得到了对真实EEG数据的分析的证实.
结论:
- 应为每个试验单独计算大脑连接,然后平均结果.
- 较大的试验数量提高了MVAR模型的适当性和连接性估计的可靠性.
- 基于试验数量不足的连接性估计被认为是无效和误导性的.
