静态和动态静态状态网络的EEG和MEG之间的比较

科学领域:

• 神经科学是一个神经科学.
• 大脑网络分析 脑网络分析
• 电子生理学 电子生理学

背景情况:

• 静态网络 (RSN) 标志着大脑的组织,之前的工作证实了它们的电生理学基础和在毫秒时间尺度上的动态,短暂的性质.
• 以前的研究表明,通过脑电图 (EEG),脑磁图 (MEG) 和功能磁共振成像 (fMRI) 识别的RSN之间可以比较,但通常使用静态分析技术和高密度EEG.

研究的目的:

• 使用中密度EEG (61个传感器) 调查静态状态网络 (RSN),并将静态和动态脑网络特征与高密度MEG (306个传感器) 的特征进行比较.
• 评估EEG衍生的RSN与MEG衍生的RSN的定性和定量可比性,包括它们捕捉与年龄相关的影响的能力以及跨模式的动态RSN的可重现性.

主要方法:

• 使用中密度 (61传感器) EEG和高密度 (306传感器) MEG系统来记录静止状态的大脑活动.
• 对记录的数据进行了静态和动态网络分析.
• 从质量和数量上比较得出的RSN,评估与年龄有关的影响和模式内和跨模式的可重复性.

主要成果:

• 无论是MEG还是EEG,都提供了对静态和动态RSN的可比描述.
• 与EEG相比,MEG的灵敏度和可重复性略有增加.
• 跨模式的RSN的定性可比性是一致的,但当不使用对象特定的结构性MRI图像来重建数据时,定量可比性会下降.

结论:

• 中密度EEG系统能够与高密度MEG系统相比,对RSN进行表征,从而支持其在临床环境中的使用.
• 静态和动态网络分析对于理解不同神经成像模式的RSN都是有价值的.
• 使用特定学科的结构性MRI数据对于保持EEG和MEG之间RSN的定量可比性很重要.