大脑状态和运动图像的动态过渡模式由贝叶斯隐藏的马尔科夫模型揭示

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:

• 运动图像 (MI) 对脑计算机接口 (BCI) 和运动恢复至关重要.
• 个体差异和不清楚的神经机制限制了当前MI和BCI的应用.
• 需要一种新的方法来理解MI任务的动态组织.

研究的目的:

• 使用隐藏的马尔科夫模型 (HMM) 探索左手和右手运动图像 (MI) 任务的动态组织模式.
• 研究HMM状态,与事件相关的脱同步/同步 (ERD/ERS) 和脑计算机接口 (BCI) 性能之间的关系.
• 为了更深入地了解MI的基础神经机制,以改进BCI系统设计.

主要方法:

• 应用隐藏的马尔科夫模型 (HMM) 分析到来自左手和右手MI任务的脑电图 (EEG) 数据.
• 确定了11个不同的HMM状态,分为三个转移状态,揭示了一个高度组织的结构.
• 分析了HMM状态的时间特征,包括分数占用率,平均寿命和过渡概率,比较左手和右手MI.

主要成果:

• 在MI任务中发现HMM状态的高度组织结构,状态概率激活反映了ERD/ERS趋势.
• 在左手和右手MI任务之间观察到HMM状态时间特征的显著变化.
• 发现HMM状态特征与BCI性能之间的相关性,特定的HMM状态显示相应的大脑区域 (例如叶) 的占用率更高.

结论:

• HMM为底层运动图像 (MI) 的动态神经网络提供了一个新的视角.
• HMM状态的独特时间特征区分左手和右手MI,为特定任务的神经组织提供了洞察力.
• 在HMM状态特征和BCI性能之间发现的相关性表明,有可能提高MI-BCI系统的准确性和有效性.