通过与任务相关的张量分解对EEG-fNIRS神经血管合的具体学科建模

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程

背景情况:

• 神经血管合 (NVC) 连接神经活动和血液流动,这对大脑功能至关重要.
• 同时的脑电图 (EEG) 和功能近红外光谱 (fNIRS) 提供了对NVC的洞察力.
• 现有的NVC研究往往忽略了EEG的复杂性和个体的血液动力学反应变化.

研究的目的:

• 开发一个新的框架,用于使用同步EEG-fNIRS.使用NVC的主题特定参数建模.
• 增强高阶EEG数据和个体血液动力学响应函数 (HRF) 的分析.

主要方法:

• 高级EEG数据的与任务相关的张量分解,以识别时间签名.
• 使用双玛函数模型与参数优化进行对个体特定的HRF估计.
• 通过规范运动任务实验进行验证.

主要成果:

• 该框架显著提高了EEG组件的可重复性.
• 预测的血液动力学活动与实际的fNIRS信号之间的增强相关性.
• 确定了与任务变化 (例如速度) 相关的NVC差异.

结论:

• 拟议的框架为定量NVC评估提供了一种可行的方法.
• 通过解决EEG复杂性和HRF可变性,改进了NVC的特定学科建模.
• 有助于更深入地了解大脑功能及其与血液动力学的关系.