Spec2VolCAMU-Net:基于多方向时间频率卷积注意力编码器和视觉-曼巴U-Net的EEG到fMRI重建的光谱图到体积模型
Dongyi He1, Shiyang Li1, Bin Jiang1
1School of Artificial Intelligence, Chongqing University of Technology, Chongqing 400054, People's Republic of China.
Journal of neural engineering
|October 21, 2025
概括
这项研究介绍了Spec2VolCAMU-Net,这是一种新的深度学习模型,可以从脑电图 (EEG) 信号中生成高准确度的功能磁共振成像 (fMRI) 数据. 这一进步使得先进的神经成像更容易获得,通过改善EEG-to-fMRI重建的空间精度.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 高分辨率的功能磁共振成像 (fMRI) 对于大脑绘图至关重要,但成本昂贵,物流复杂.
- 为了使先进的神经成像更容易获得,需要从广泛可用的脑电图 (EEG) 中生成可比的数据.
- 现有的EEG-to-fMRI方法与跨频道时间频率信息扎,或需要计算密集的解码器.
研究的目的:
- 开发一种轻量级和高效的EEG-to-fMRI模型,以提高单体积重建中的空间真实性.
- 从EEG数据中重建fMRI体积的新技术.
- 为从EEG产生时间连贯的fMRI时间序列奠定基础.
主要方法:
- 提出Spec2VolCAMU-Net,这是一种新的架构,包括一个多方向时频卷积注意力编码器和一个Vision-Mamba U-Net解码器.
- 利用线性时间状态空间块在解码器内进行高效的远程空间建模.
- 用混合结构相似度指数测量 (SSIM) 和平均平方误差 (MSE) 损失函数对模型进行端到端的训练.
主要成果:
- 在三个公共基准 (NODDI,Oddball,CN-EPFL) 上实现了最先进的空间保真,SSIM (14.5%-16.9%) 得到了显著的改进.
- 展示了具有竞争力的峰值信号噪声比 (PSNR) 评分,在CN-EPFL数据集上有4.6%的显著改进.
- 与以前的方法相比,在重建质量方面建立了更好的平衡.
结论:
- Spec2VolCAMU-Net为EEG-to-fMRI重建提供了一个轻量级和高效的解决方案.
- 该模型的性能提高了研究和临床应用先进的神经成像技术的可访问性.
- 开发的架构为EEG驱动的fMRI体积生成中的空间保真性设定了新的基准.
