研究大脑功能网络属性分析和识别方法,针对大脑疲劳的研究

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:

• 目前的大脑疲劳识别研究仅限于单个任务和简单的大脑区域网络.
• 在多任务疲劳场景中,高阶大脑功能网络特征和大脑区域机制尚未得到充分探索.
• 复杂的条件需要先进的疲劳识别方法.

研究的目的:

• 使用fNIRS调查多任务诱导精神疲劳期间低级和高级大脑功能网络属性的相关性和差异.
• 为了确定大脑区域显著影响精神疲劳.
• 开发一种自我训练算法,用于识别三个级别的大脑疲劳.

主要方法:

• 利用功能近红外光谱 (fNIRS) 来收集大脑活动数据.
• 分析了不同疲劳水平的低级和高级大脑功能网络属性.
• 采用自我训练算法来识别疲劳水平.

主要成果:

• 在疲劳进展过程中,低级网络连接强度在频段 (内皮细胞代谢,神经,肌原,心率) 上有所变化.
• 网络拓分析显示了集群系数和特征路径长度的显著变化,从没有到轻度疲劳.
• 严重的疲劳削弱了神经频段的小世界属性,而其他频段保持了它,表明了网络的适应性.
• 高级网络显示在轻度疲劳期间,神经元活动带的节点度,集群系数和效率在轻度疲劳期间增加.
• 随着疲劳的进展,大脑疲劳诱导了高阶网络频段从肌源性转向神经主导的转变.
• 特定的大脑区域 (前额叶皮质,左前运动,运动辅助,左前额眼部运动) 显示了高阶网络属性的显著变化,影响疲劳状态.
• 结合高阶和低阶fNIRS特征,在识别多层次精神疲劳方面实现了88.095%的准确性.

结论:

• 结合来自fNIRS信号的低级和高级大脑功能网络特征,可以有效地检测多层次的精神疲劳.
• 确定的大脑区域在精神疲劳的状态中起着至关重要的作用.
• 这种方法为开发疲劳预警系统提供了创新的策略.