大规模皮层网络分析和MI-BCI任务的分类基于贝叶斯的非负矩阵因数分解

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 生物医学工程 生物医学工程

背景情况:

• 运动图像 (MI) 对于临床康复和脑计算机接口 (BCI) 至关重要.
• 解码MI任务和理解其神经基础仍然具有挑战性,阻碍了临床应用.
• 目前的研究缺乏对左侧和右侧MI之间的大规模皮质网络差异的详细分析.

研究的目的:

• 为了研究底层的神经机制左手和右手运动图像任务.
• 构建和分析与MI任务相关的大规模皮质网络.
• 根据网络属性开发MI-BCI任务的分类模型.

主要方法:

• 结合EEG源重建和贝叶斯的非负矩阵因子分解 (NMF).
• 为左手和右手MI任务构建了大规模的皮质网络.
• 分析了功能网络连接 (FNC) 和网络属性 (集群系数,效率,路径长度).

主要成果:

• 左侧MI显示视觉 (VN),感觉运动 (SMN) 和其他右半球网络中的FNC在贝塔和所有频段内显著增加.
• 左侧MI表现出更高的聚类系数,全球效率和局部效率,与右侧MI相比,特征路径长度减少.
• 基于FNC和网络属性的分类模型在跨主题的两类MI-BCI任务中实现了78.2%的准确性.

结论:

• 左侧MI需要更大调节广泛的皮质网络,特别是在右半球.
• 确定了区别的网络模式和特征,区分左手和右手MI.
• 提出了一个潜在的网络生物标志物,用于识别MI-BCI任务,推进BCI开发.