集成的EEG-fNIRS用于表征皮质反应和神经血管合在自动化和离散步行任务

科学领域:

• 神经科学是一个神经科学.
• 发动机控制器的控制器
• 生物医学工程 生物医学工程

背景情况:

• 走路时皮质反应是复杂的,涉及自动化和认知过程.
• 以前的研究经常将基本的步态控制与认知需求混为一谈,限制了对不同神经机制的理解.
• 需要高时空分辨率技术来区分神经活动在不同的步行任务.

研究的目的:

• 建立一个集成的脑电图 (EEG) 和功能近红外光谱 (fNIRS) 框架,用于描述行走过程中的皮质反应.
• 为了区分神经和神经血管合模式之间的自动和离散步行任务.
• 评估与任务相关的组件分析 (TRCA) 在分析多模式EEG-fNIRS数据的有效性.

主要方法:

• 从18名健康参与者获得了同时进行的EEG-fNIRS记录,他们执行了连续步行 (CW),隔离步行阶段 (IGPT) 和单肢姿势 (SS) 任务.
• 使用任务相关组件分析 (TRCA) 来从EEG和fNIRS信号中提取任务特定的特征.
• 通过交叉相关性分析评估神经血管合,并使用XGBoost进行任务分类.

主要成果:

• 与CW相比,在IGPT期间β频段抑制显著更强 (p = 0.040),SS任务显示出比CW更高的fNIRS激活 (p = 0.026).
• TRCA显著提高了EEG-fNIRS特征在不同任务中的区分能力 (p < 0.05),并揭示了特定任务的α频段神经血管合.
• 基于多模式TRCA的融合实现了74.51%的分类精度,超过单模式EEG-Avg (49.02%,p = 0.042) 和fNIRS-Avg (47.06%,p = 0.038).

结论:

• 开发的EEG-fNIRS框架通过揭示独特的皮质反应和神经血管合,有效地区分自动化和离散步行任务.
• TRCA增强了多模式神经成像数据的分析,改善了与步态相关的神经活动的表征.
• 这项研究为了解步态控制机制和制定有针对性的神经康复策略提供了基础.