来自与事件相关的神经源活动的局部估计,同时使用MEG-EEG与循环神经网络
Jamie A O'Reilly1, Judy D Zhu2, Paul F Sowman3
1School of Engineering, King Mongkut's Institute of Technology Ladkrabang, Bangkok, 10520, Thailand.
概括
这项研究引入了一个循环神经网络 (RNN) 来从MEEG数据中估计大脑活动,通过捕捉时间动态来优于传统方法. RNN提供了一种新的,数据驱动的方法来理解神经信号生成.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 生物物理学的生物物理.
背景情况:
- 从外MEEG信号中估计内电流源是一个复杂的反向问题.
- 现有的方法往往忽略了与事件相关的大脑过程的时间动态,通过独立分析时间样本.
研究的目的:
- 开发和评估一个循环神经网络 (RNN) 用于使用同时记录的MEEG数据进行内电流源估计.
- 为了比较RNN的表现与已建立的方法,如eLORETA和MxNE.
- 调查不同培训标签和源空间配置对估计准确性的影响.
主要方法:
- 为了MEEG源估计,开发了一个循环神经网络 (RNN),结合了顺序数据关系.
- 该RNN经历了两个培训阶段:预培训和转移学习与L1规范化.
- 使用MEEG,MEG和EEG标签评估性能,比较体积和表面源空间,并与ELORETA和MxNE进行对比.
主要成果:
- 在信号与噪声比率,相关性和平均平方误差指标上,RNN方法显著超过了eLORETA和MxNE.
- 使用MEEG标签与固定方向的表面源产生了最一致和准确的来源估计.
- 该RNN成功地产生了时间动态,模拟了从事件到神经信号的转换.
结论:
- 该RNN为MEEG源重建提供了一种强大,数据驱动的方法,有效地捕捉对理解大脑过程至关重要的时间动态.
- 这种方法通过建模神经数据的顺序性质,比传统方法具有独特的优势.
- 这些发现突显了深度学习在推进非侵入性神经成像分析方面的潜力.
