重新思考噪声底层特征在电机引起的潜在潜力
Ke Ma1, Boshuo Wang2, Siwei Liu3
1University of Cambridge, Electrical Engineering Division, Cambridge, CB2 1TN, UNITED KINGDOM OF GREAT BRITAIN AND NORTHERN IRELAND.
Journal of neural engineering
|April 29, 2025
概括
发动机唤起的电位 (MEP) 中的噪声底部没有正常分布. 一般化极端值 (GEV) 分布模型最好地描述了这种背景噪音,提高了跨磁刺激 (TMS) 的准确性.
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.
- 统计建模 统计建模
背景情况:
- 运动唤起的潜能 (MEP) 量化皮质脊髓刺激能力,对于神经调节干预至关重要.
- 精确的MEP检测依赖于将信号与背景噪声区分开来,但对噪声底层特性了解甚少.
- 目前用于识别前刺激运动活动的方法通常是临时的.
研究的目的:
- 为了确定背景噪声底层在电机引起的电位中的概率分布.
- 评估各种统计模型的适用性,以描述这种噪声.
- 提高神经生理学数据解释在研究和临床环境中的可靠性.
主要方法:
- 在19名健康受试者的实验数据上测试了四种概率分布模型 (log-normal,gamma,GEV,normal).
- 使用高斯分布和拉普拉斯分布的混合模型来模拟背景电肌图 (EMG) 信号.
- 在描述实验和模拟噪声分布时比较模型性能.
主要成果:
- 噪声地板分布高度偏,与正常性或日志正常性假设相矛盾.
- 一般化极端值 (GEV) 分布模型始终为实验和模拟数据提供了最适合的模型.
- 马分布模型在模拟中表现出强的表现,并且在实验数据方面是第二好的.
结论:
- GEV和马分布模型提供了背景噪声底层的准确表征.
- 使用这些模型可以提高MEP检测,预激活识别和可变性分析的精度.
- 改进的噪声底层特征导致在临床跨磁刺激 (TMS) 中更可靠的运动值.
