基于深度学习的电脑解码,对相滞后的横交替电流刺激进行解码

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 生物医学工程 生物医学工程

背景情况:

• 非侵入性脑刺激技术,如交叉频率合交流电刺激 (CFC-tACS),旨在增强认知功能.
• 了解大脑对不同刺激参数的反应对于优化这些技术至关重要.
• 脑电图 (EEG) 是用于测量大脑活动的广泛使用的工具.

研究的目的:

• 调查基于任务的EEG信号是否可以解码在线CFC-tACS的不同相位延迟类型.
• 探索使用EEG来监测和解码神经调节期间大脑状态的潜力.
• 评估结合神经调节的闭环脑机接口 (BMI) 系统的可行性.

主要方法:

• 从21名健康参与者中收集了EEG数据,他们执行了修改后的斯特恩伯格任务.
• 在线应用CFC-tACS,在中央执行网络和默认模式网络之间有45°或180°的相位延迟.
• 一个修改后的EEGNet模型被训练在EEG信号上来解码应用的CFC-tACS条件.

主要成果:

• 在使用平面EEG信号的情况下,EEGNet模型实现了81.73%的解码精度.
• 功能图显示,该模型主要依赖于头顶区域的EEGβ活性.
• 这表明tACS阶段滞后类型影响了自上而下的认知控制,反映在β频活动中.

结论:

• 基于任务的EEG信号能够解码在线CFC-tACS刺激类型.
• 与任务相关的EEG光谱特征,特别是β活性,可以作为神经调节效应的指标.
• 这项研究支持在闭环BMI神经调节系统中推进沟通策略.