全脑血动力学预测了人类在睡眠和清醒期间的神经节奏
Leandro P L Jacob1, Sydney M Bailes1,2, Stephanie D Williams1,2
1Electrical Engineering and Computer Science, Massachusetts Institute of Technology, Cambridge, MA, USA.
bioRxiv : the preprint server for biology
|February 14, 2024
概括
像阿尔法和三角形节奏这样的大脑振荡随着警觉而波动. 机器学习揭示了不同的大脑网络模式预测这些神经节奏,区分激发和视觉系统的α,和广泛的皮质为delta.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 睡眠研究 睡眠研究
背景情况:
- 脑振荡,包括定义睡眠的神经节奏,对于警觉和认知至关重要.
- 这些节奏波动,表明警的变化,但潜在的大脑全局动态仍然不清楚.
研究的目的:
- 研究大脑功能磁共振成像 (fMRI) 网络动态,预测α (8-12 Hz) 和delta (1-4 Hz) 神经节律的波动.
- 了解与睡眠和清醒之间的过渡期间警觉的变化相关的大规模网络模式.
主要方法:
- 同时的脑电图 (EEG) 和快速的fMRI被用于人类在睡眠和清醒之间过渡.
- 开发了一种机器学习方法,以预测单独的受试者群体中fMRI活动的瞬间对瞬间EEG功率变化.
主要成果:
- 预测阿尔法节奏功率的信息被定位到与兴奋和视觉处理相关的两个不同的网络.
- 相比之下,三角洲节律力量在大脑皮层的大空间尺度上被分散地表示.
- 机器学习模型成功地从fMRI数据中预测了EEG功率变化.
结论:
- 这项研究确定了底层阿尔法和三角形大脑节律的特定大规模网络模式.
- 建立了一个新的多式模式框架,用于研究神经振荡的整个大脑动态.
- 这些发现推动了我们对警觉和认知状态的神经基础的理解.
