用集群技术优化皮层分片,用于磁脑电图,使用集群技术

科学领域:

• 神经科学是一个神经科学.
• 生物物理学的生物物理.
• 计算神经科学是一种神经科学.

背景情况:

• 当前的磁大脑图 (MEG) 分析方法通常在将源活动结合在解剖学大脑小块内时遭受信号取消和交叉声.
• 这限制了功能连接估计和源空间可视化的准确性.

研究的目的:

• 开发一种新的方法,用于在MEG数据中分割皮质,从而最大限度地减少相互交叉通话和信号取消.
• 创建一个紧的,解剖学信息的MEG数据源级表示.

主要方法:

• 利用MEG领先领域的无监督集群,以根据源活动表示来定义块.
• 整合了来源之间的空间距离,以确保地块连续性并最大限度地减少交叉通话,使用k-最近邻居的成员资格.
• 通过对空间距离赋予特定权重来优化分 parcling,从而产生60-120个 parcels.

主要成果:

• 提出的方法成功地将皮质划分成可以用单双极源表示的小块.
• 通过在集群过程中优化空间权重来最大限度地减少区间间交叉通话.
• 实现了MEG数据的紧源级表示,其维度与传感器级数据相当.

结论:

• 在"megicparc"Python包中实施的新分块化方法,提供了更真实的MEG数据源级表示.
• 预计这种方法将显著提高MEG特征的可视化,并提高功能连接性估计的准确性.
• 该方法在MEG分析中为传统的分块化策略提供了强大的替代方案.