在的背景下,基于模拟驱动的深度学习的电生理学脑成像

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 计算生物学 计算生物学

背景情况:

• 电生理源成像 (ESI) 对于在中定位大脑活动至关重要,但这是一个错误的反向问题.
• 现有的ESI方法通常依赖于生理约束,以确保独特的解决方案.
• 由于信号复杂性和噪音,通过高分辨率电脑脑脑图 (Hr-EEG) 精确定位源具有挑战性.

研究的目的:

• 提出一种高效的,针对患者的电生理源成像 (ESI) 方法,利用模拟驱动的深度学习.
• 精确识别中分布式大脑源的位置,空间范围和电活动.
• 为了提高ESI方法的稳定性和性能,用于临床应用在术前评估中.

主要方法:

• 一种基于模拟驱动的深度学习的新型ESI方法,使用现实的,针对患者的模拟高分辨率256通道头皮EEG (Hr-EEG) 信号.
• 运用了一个计算神经质量模型用于时间动力学和一个患者特定的头部模型与前进问题的边界元素方法.
• 采用时间卷积网络 (TCN) 用于空间模式和长期短期记忆 (LSTM) 用于时间依赖,结合多层次策略.

主要成果:

• 拟议的方法在单源场景 (SNR 10 dB) 中实现了1.39的双极定位误差 (DLE) 和0.28的正常化击距离 (NHD).
• 对于两个不相关的来源 (SNR 10 dB),DLE为1.50和NHD为0.28;对于两个相关的来源,DLE为3.74和NHD为0.43.
• 与两种深度学习和四种经典ESI方法相比,在模拟和真实互动HR-EEG数据上表现出优异的性能,显示出对噪声的稳定性.

结论:

• 模拟驱动的深度学习ESI方法是一种高效和准确的工具,用于从Hr-EEG中定位性大脑区域.
• 拟议的方法优于现有技术,为重建患者的电活动提供了一个有希望的替代方案.
• 它对噪声的强度使它成为一个有价值的工具,用于术前评估和了解.