用时空卷积神经网络进行EEG解码,以可视化和闭环控制感觉运动活动:同时进行EEG-fMRI研究

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.
• 生物医学工程 生物医学工程

背景情况:

• 闭环神经反使用像电脑电图 (EEG) 这样的神经信号来调节大脑活动和行为.
• 在脑电脑接口 (BCI) 范式中的标准EEG预处理可能缺乏空间精度.
• 高密度EEG信号包含来自远程大脑区域的信息,这带来了源模两可的挑战.

研究的目的:

• 为高密度EEG开发和评估使用卷积神经网络 (CNN) 的时空波器.
• 在基于BCI的神经反过程中提高神经信号重建的空间精度和特异性.
• 为了比较CNN过EEG与标准预处理管道在捕获传感运动网络活动中的有效性.

主要方法:

• 在BCI神经反训练期间,对人类参与者同时获得EEG和功能磁共振成像 (fMRI).
• 基于CNN的时空过器对高密度EEG数据的应用.
• 从CNN过的EEG中重建的血液动力学反应与感觉运动网络的模拟反应进行比较.
• 分析CNN模型的中间层,以确定有助于神经元振荡特征.

主要成果:

• 与标准管道相比,CNN构建的过器在捕捉目标传感运动网络活动方面表现出卓越的空间精度和特异性.
• CNN模型成功重建了血液动力学反应,表明有效的时间特征提取.
• 分析显示,分布式皮质电路,包括前侧平行和感觉运动区域,有助于重建.
• 在CNN的中间层中确定了影响血液动力学反应重建的特定神经元振荡特征.

结论:

• 基于CNN的时空过对神经反中EEG信号处理的标准方法提供了显著的进步.
• 开发的过器增强了精确准和调节特定大脑网络内的神经活动的能力.
• 利用已识别的电生理学特征和时空过可以为各种应用程序带来更有效的神经反干预措施.