全脑血动力学预测EEG神经节奏在人类的睡眠和清醒
Leandro P L Jacob1,2, Sydney M Bailes1,3, Stephanie D Williams1,4
1Electrical Engineering and Computer Science, Massachusetts Institute of Technology, Cambridge, Massachusetts, United States of America.
PLoS computational biology
|September 19, 2025
概括
研究人员使用机器学习从fMRI数据中预测大脑节奏,如α和delta波. 这揭示了大脑网络在睡眠和警觉状态期间的变化.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 计算神经科学是一种神经科学.
背景情况:
- 大脑振荡动态对于警觉和认知至关重要,特别是在睡眠期间.
- 调查这些神经节奏背后的广泛的大脑动态是具有挑战性的.
- 神经节律的波动标志着警的显著变化.
研究的目的:
- 开发一种机器学习方法,从fMRI数据中预测神经节律波动.
- 为了确定大脑区域和预测阿尔法和三角形功率变化的网络.
- 建立一个研究多式模式大脑动态的框架.
主要方法:
- 同时使用脑电图 (EEG) 和快速功能磁共振成像 (fMRI) 在睡眠中的人类.
- 训练了一种机器学习模型,从fMRI数据中预测EEG节奏功率.
- 使用交叉验证来确保未见数据的预测准确性.
主要成果:
- 从fMRI数据来看,α (8-12 Hz) 和delta (1-4 Hz) 功率波动是可预测的,即使在训练组之外的受试者中也是如此.
- 在皮质和皮质下大脑区域中发现了预测信息.
- 阿尔法节律信息局部化到兴奋和视觉网络,而三角形节律信息在皮层中广泛传播.
结论:
- 使用fMRI数据可以准确预测EEG节奏.
- 独特的大规模网络模式是阿尔法和三角形大脑节奏的基础.
- 这项研究为多式联络研究大脑动态提供了一个新的框架.
