基于规范化相互信息的通用化合矩阵张量因子化方法,用于同时进行EEG-fMRI数据分析
Zahra Rabiei1, Hussain Montazery Kordy2
1Faculty of Electrical and Computer Engineering, Babol Noshirvani University of Technology, Babol, Iran.
Neuroinformatics
|February 6, 2025
概括
这项研究引入了一种通用合矩阵张量分解 (GCMTF) 方法,用于融合脑电图 (EEG) 和功能磁共振成像 (fMRI) 数据. GCMTF有效地识别了共享的大脑活动组件,在准确性方面超过了现有的方法,并识别了更多的大脑区域.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 脑电图 (EEG) 和功能磁共振成像 (fMRI) 提供了对大脑活动的互补见解.
- 对EEG和fMRI数据的联合分析对于全面了解神经过程至关重要.
- 现有的方法通常假定共享组件具有限制性的平等性,从而限制了它们的适用性.
研究的目的:
- 开发一种新的联合EEG-fMRI分析方法,克服现有技术的局限性.
- 引入一种使用规范化相互信息 (NMI) 的通用化的合矩阵张量分解 (GCMTF) 方法.
- 加强EEG和fMRI之间共享和非共享的大脑活动组件的识别.
主要方法:
- 实现通用的合矩阵张量分解 (GCMTF) 方法.
- 使用规范化的相互信息 (NMI) 来定义组件相似性,适应非线性关系.
- 应用到模拟数据与非线性组件关系和真实EEG-fMRI数据从一个听觉奇怪的范式.
主要成果:
- 与模拟数据上的高级合矩阵张量分解 (ACMTF) 模型相比,GCMTF方法显示平均匹配得分增加了23.46%.
- 与ACMTF不同的是,GCMTF有效地识别了具有线性和非线性关系的共享组件.
- 对真实数据的分析显示,在听觉奇怪任务中,alpha和theta波段中有三个共享组件,识别了比ACMTF更活跃的大脑区域.
结论:
- 拟议的GCMTF方法为联合EEG-fMRI数据分析提供了强大的和通用的方法.
- GCMTF准确地识别了共享的神经元件,即使与非线性关系和不同噪音水平.
- 这种方法增强了与认知任务相关的大脑活动模式的发现,改进了现有的融合技术.
