数据驱动的MEG分析以提取fMRI静止状态网络
Esther A Pelzer1,2, Abhinav Sharma1, Esther Florin1
1Institute of Clinical Neuroscience and Medical Psychology, Medical Faculty, Heinrich Heine University Düsseldorf, Düsseldorf, Germany.
Human brain mapping
|March 6, 2024
概括
研究人员使用磁脑摄影 (MEG) 探索了静止状态网络 (RSN) 的电生理基础. 与现有方法相比,一种新的单一值分解 (SVD) 方法对功能磁共振成像 (fMRI) -RSN的对应性更高.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 脑部成像 脑部成像
背景情况:
- 静态网络 (RSN) 的电生理学基础仍然不清楚,没有单一的机制解释所有RSN.
- 磁脑图 (MEG) 和电脑图是研究RSN的关键,但缺乏标准化的分析管道.
研究的目的:
- 为了比较现有的数据驱动策略,从MEG数据中提取RSN.
- 引入和评估一种新的奇点值分解 (SVD) 方法,用于从MEG数据中提取RSN.
- 将MEG衍生的RSN与功能磁共振成像 (fMRI) 衍生的RSN进行比较.
主要方法:
- 用于RSN提取的相振幅合.
- 对于RSN提取的希尔伯特包裹的独立组件分析 (ICA).
- 单数值分解 (SVD) 用于RSN提取.
- 将MEG-RSNs与来自同一受试者的fMRI-RSNs进行比较.
主要成果:
- 这三种方法都成功地从MEG数据中提取了RSN,显示与fMRI-RSN的对应.
- 与现有方法相比,新型SVD方法对7种fMRI-RSN中的5种表现出明显更高的对应性.
- 在大多数网络中,SVD方法在单个频段内确定了与fMRI网络的最高对应,但视觉网络除外.
结论:
- 可以使用MEG提取与fMRI发现一致的RSN.
- 基于SVD的方法在将电生理学RSN与其功能对应物映射时提供了更高的准确性.
- 这项工作为fMRI-RSNs的电生理学基础提供了关键的见解,推进了电生理学连接组的分析.
