在稀疏,不规则地采样的长期神经行为时间序列中检测周期的方法:基准追踪与长期的多项式损害的基础追踪,长期的间接性型活动

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:

• 生理过程表现出周期性模式,但用于分析的密集采样通常是困难的.
• 现有的信号分解数学方法在生理学研究中未得到充分利用.
• 稀疏和不规则的采样对分析生物时间序列数据提出了挑战.

研究的目的:

• 开发和验证一个数学模型,从稀疏和不规则地采集的生理时间序列数据中恢复振荡和趋势.
• 应用该模型来分析人类中间触发性发性释放 (IED) 率.
• 通过一种新的计算方法来识别IED速率中的昼夜和多日周期.

主要方法:

• 开发了一个基于多项式减值 (BPWP) 模型的基础追求.
• 在一个独特的数据集上验证了BPWP模型,该数据集是从人类海马体中长期的间歇性发性排泄 (IED) 率.
• 利用了连续的局部场势传感和 ambulatory humans 的多个月内脑内EEG记录.
• 计算的窄带光谱功率和多项式趋势系数,以识别IED速率周期.

主要成果:

• 该BPWP模型成功地从稀疏和不规则的采样IED率数据中恢复了振荡和趋势.
• 在三个人体试验对象的IED速率中确定了循环和多日循环.
• 证明了BPWP模型的实用性,用于分析复杂的生理时间序列数据,采用不规则的采样.

结论:

• 开发的BPWP模型提供了一种有效的方法,用于稀疏和不规则地采样生理信号的频率分解和趋势分析.
• 这种方法可以揭示生理数据中的重要周期性模式,例如IED率,这对于了解疾病状态至关重要.
• 在某些情况下,可以利用不规则的采样来进行生理信号的强有力的频率分解.