基于大脑动态和从全夜fMRI过渡的可复制,数据驱动的睡眠特征
Fan Nils Yang1, Dante Picchioni1, Jacco A de Zwart1
1Advanced MRI Section, Laboratory of Functional and Molecular Imaging, National Institute of Neurological Disorders and Stroke, National Institutes of Health, Bethesda, MD, USA.
medRxiv : the preprint server for health sciences
|June 21, 2024
概括
研究人员使用fMRI数据的先进机器学习来绘制全夜大脑活动图,揭示了21个不同的大脑状态及其在睡眠期间的过渡,为睡眠动态提供了新的见解.
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.
- 睡眠科学 睡眠科学
背景情况:
- 了解睡眠功能需要研究全夜大脑活动动态.
- 多睡眠学 (PSG) 缺乏空间分辨率,无法详细追踪大脑活动.
- 之前的功能性MRI (fMRI) 研究太短暂,无法覆盖完整的睡眠周期.
研究的目的:
- 为了研究整个大脑的动态和跨整个睡眠周期的过渡.
- 将无监督学习应用于fMRI数据,以进行全面的睡眠分析.
- 为了识别超越传统睡眠阶段分类的新型大脑状态.
主要方法:
- 使用隐藏马尔科夫模型 (HMM),一种无监督学习技术.
- 分析了12名健康参与者的两晚16小时fMRI记录.
- 在不同的夜晚进行验证的HMM状态预测,以实现可重现性.
主要成果:
- 确定了21个重复的大脑状态及其在睡眠期间的过渡概率.
- 在快速眼动 (REM) 和非REM第二阶段睡眠中发现了功能相关的细分.
- 在夜间之间证明了HMM衍生的大脑状态的高可重现性.
结论:
- 在HMM方法提供了前所未有的洞察力,在整夜睡眠期间大脑动态.
- 这种方法揭示了已知的睡眠阶段内的新型大脑状态过渡和细分.
- 这些发现可能有助于更好地了解影响睡眠过渡的睡眠障碍.
