在健康的成年人群中,基于机器学习的呼吸系统波动估计,使用静止状态的fMRI和头部运动参数
Abdoljalil Addeh1,2,3,4, Fernando Vega1,2,3,4, Amin Morshedi1,2,3,4
1Department of Biomedical Engineering, Schulich School of Engineering, University of Calgary, Calgary, Alberta, Canada.
Magnetic resonance in medicine
|October 31, 2024
概括
这项研究表明,机器学习可以从BOLD-fMRI数据准确地重建呼吸变化 (RV),通过结合头部运动参数来提高准确性. 这种方法在没有外部呼吸监测的情况下分析fMRI数据方面具有前景.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 生理监测 生理监测
背景情况:
- 外部生理监测是从BOLD-fMRI信号中去除呼吸变异 (RV) 的标准.
- 在fMRI过程中获取清洁的呼吸系统数据可能具有挑战性.
- 机器学习为从fMRI数据直接进行VR估计提供了一个潜在的替代方案.
研究的目的:
- 提出一种扩展的机器学习方法,直接从静止状态的BOLD-fMRI数据中重建RV波形.
- 将BOLD信号和头部运动参数结合起来,以改善RV重建.
- 评估该方法在健康成年参与者的表现.
主要方法:
- 利用1D卷积神经网络 (1D-CNNs) 来重建RV波形.
- 使用BOLD信号和头部运动参数作为1D-CNNs的输入.
- 在休息状态fMRI数据上训练并测试了从年轻成年人人类连接组项目 (HCP-YA) 数据集中的方法.
主要成果:
- 提出的方法,使用BOLD信号和头部运动参数,显示了比单独使用BOLD数据显著的改进.
- 改进包括14%的平均绝对误差,24%的平均平方误差,14%的相关性和12%的动态时间扭曲的减少.
- 该方法在具有不同TR和生理条件的独立数据集上证明了可通用性.
结论:
- 从年轻成年人的BOLD-fMRI数据可以准确地重建呼吸系统变异.
- 整合头部运动参数可以提高RV重建的准确性.
- 开发的方法是强大的,在不同的实验条件下表现良好.
更多相关视频
11:31Functional Near Infrared Spectroscopy of the Sensory and Motor Brain Regions with Simultaneous Kinematic and EMG Monitoring During Motor Tasks
Published on: December 5, 2014
15.1K
08:19Simultaneous Data Collection of fMRI and fNIRS Measurements Using a Whole-Head Optode Array and Short-Distance Channels
Published on: October 20, 2023
1.0K
