使用层次聚类和多变量模式分析来协助频段定义和解码神经动态的协议
Chengpeng Li1, Isao Hasegawa2, Hisashi Tanigawa1
1Interdisciplinary Institute of Neuroscience and Technology, School of Brain Science and Brain Medicine, Zhejiang University, Hangzhou, China; College of Biomedical Engineering and Instrument Science, Zhejiang University, Hangzhou, China; MOE Frontier Science Center for Brain Science and Brain-Machine Integration, School of Brain Science and Brain Medicine, Zhejiang University, Hangzhou, China; National Key Laboratory of Brain and Computer Intelligence, Zhejiang University, Hangzhou, China.
这项研究引入了一种用于定义神经数据分析频段的新协议,通过使用以数据为导向的电皮质谱 (ECoG) 信号集群来提高准确性.
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.
- 信号处理 信号处理
背景情况:
- 在神经数据分析中,传统的固定频段划分可能会限制准确性.
- 电皮质谱 (ECoG) 提供高分辨率的神经信号,但需要精确的分析方法.
研究的目的:
- 在多通道神经数据中提供数据驱动的频段定义的新方案.
- 通过超越任意频率划分来提高神经数据分析的准确性.
主要方法:
- 预处理多通道的心电图数据.
- 执行时间频率分析以获得信号功率配置文件.
- 应用层次聚类来组合相似的频率功率配置文件.
- 根据已识别的数据集群定义频段.
- 使用多变量模式分析 (MVPA) 通过时间序列解码进行功能验证.
主要成果:
- 通过层次聚类识别数据信息的频率分组.
- 在聚类结果的指导下,成功定义了新的频段.
- 使用MVPA和时间序列解码来证明衍生频段的功能相关性.
结论:
- 拟议的协议提供了一种更准确和客观的方法来定义神经数据中的频段.
- 这种数据驱动的方法可以改善从分析神经信号 (如ECoG) 中获得的洞察力.
- 该协议促进了神经信号组件的增强功能验证.
更多相关视频
08:51Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms
Published on: November 1, 2019
08:25Combined Invasive Subcortical and Non-invasive Surface Neurophysiological Recordings for the Assessment of Cognitive and Emotional Functions in Humans
Published on: May 19, 2016