深度源传输学习用于估计使用头皮EEG脑电图的大脑内部动态
Haitao Yu1, Zhiwen Hu1, Quanfa Zhao1
1School of Electrical and Information Engineering, Tianjin University, Tianjin, 300072 China.
Cognitive neurodynamics
|December 23, 2024
概括
这项研究引入了精确的脑电图 (EEG) 源成像的深度学习框架,增强了大脑与计算机接口的能力. 这种新的方法准确地估计了大脑活动,改善了诊断和神经科学研究.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 生物医学工程 生物医学工程
背景情况:
- 电脑电图 (EEG) 提供高时间分辨率,但对大脑活动的空间分辨率有限.
- 源成像技术旨在提高EEG空间分辨率,以获得更好的神经解码和大脑与计算机的交互 (BCI).
研究的目的:
- 开发一种新的,数据驱动的EEG源成像方案,使用深度学习来精确估计宏观空间时空大脑动态.
- 提高神经解码和BCI应用程序的可靠性和准确性.
主要方法:
- 一个使用卷积循环神经网络的深源成像框架被设计用于高密度EEG记录.
- 为了合成数据生成,创建了一个包含210个皮层区域和16个thalamic核的综合大脑模型.
- 转移学习被应用来弥合合成和现实的EEG数据之间的差距.
主要成果:
- 拟议的深度学习方法准确估计了空间和时间大脑源活动.
- 与现有的最先进的方法相比,该框架表现出更高的性能.
- 该方法成功地定位了发作发作区域,并在针刺激期间重建了皮层相互作用.
结论:
- 开发的EEG数据驱动的源成像框架提供了对大脑动态的精确和高效估计.
- 这种方法对推进神经科学研究和临床应用,包括BCI,具有重大潜力.
- 该方法在和感官处理方面的有效性突显了其广泛的适用性.
