拉普拉斯自身图的fMRI数据的维度缩小,用于发现刺激诱导的静止状态大脑活动的变化

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 医疗成像医学成像

背景情况:

• 休息状态 (RS) 大脑活动表现出可以通过先前经验改变的模式,即使没有积极的任务参与.
• 在有意义的刺激之后检测RS大脑活动的微妙,长期变化对于理解大脑可塑性和功能至关重要.
• 分析RS功能磁共振成像 (fMRI) 数据的现有方法可能缺乏捕捉这些微妙变化的灵敏度.

研究的目的:

• 开发一种不偏见的计算方法,用于在暴露于情感上重要的刺激后检测RS大脑活动的变化.
• 为了比较线性与非线性维度减小技术在识别RS大脑状态变化的有效性.
• 在纵向fMRI研究中增强功能状态差异的检测.

主要方法:

• 功能性磁共振成像 (fMRI) 用于记录健康志愿者的RS大脑活动,分为三个阶段:预条件,恐惧灭绝期间和灭绝后.
• 一种恐惧调节范式涉及将中性视觉刺激与轻微的电击配对,然后是灭绝阶段.
• 线性 (主要组件分析 - PCA) 和非线性 (Isomap,局部线性嵌入 - LLE,Laplacian Eigenmaps) 的维度减少方法应用于RS fMRI数据. 波纹多分辨率分析用于信号平滑.

主要成果:

• 非线性维度减少方法在区分RS状态之前和之后的恐惧调节和灭绝方面显著超过线性PCA.
• 拉普拉斯人Eigenmaps成功地在个体参与者层面上确定了RS大脑活动的显著差异.
• 基于波纹的血氧水平依赖 (BOLD) 信号的光滑进一步提高了开发的方法的辨别能力.

结论:

• 非线性多元学习技术,特别是拉普拉斯的Eigenmaps,提供了一种强大的方法来检测RS大脑活动中的微妙变化.
• 开发的方法通过波形光滑增强,在纵向fMRI研究中提供了功能性大脑状态的改进歧视.
• 这种方法有望促进经验学习后的大脑活动变化的分析以及临床神经科学研究.