刺激前的神经动力学预测TMS反应:碎形维度和振荡活动的作用

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 大脑动力学 大脑动力学

背景情况:

• 大脑运行接近一个关键状态,平衡稳定性和适应性,以实现最佳功能.
• 偏离关键性与改变的大脑反应和神经系统疾病有关.
• 跨磁刺激与脑电图 (TMS-EEG) 结合,是研究大脑关键性的关键工具.

研究的目的:

• 为了研究前刺激大脑活动特征,特别是功率和信号复杂性,如何影响TMS唤起的潜能 (TEP) 的幅度.
• 了解基线神经动态和皮质对外部刺激的响应之间的关系.

主要方法:

• 对20名健康个体的公开可用的TMS-EEG数据集的分析.
• 测量跨频段的预刺激EEG功率和Higuchi's Fractal Dimension (HFD) 作为一个复杂度指标.
• 机器学习的应用,以将刺激前的特征与刺激后的TEP振幅相关联.

主要成果:

• 较强的TEP振幅与较低的刺激前马功率和更高的α功率有关.
• 降低前刺激信号复杂性 (较低的HFD) 与增加的TEP振幅相关.
• 机器学习模型使用前刺激EEG特征 (R2 = 0.6867) 准确预测TEP振幅,HFD是关键预测因素.

结论:

• 研究结果支持大脑关键性框架,显示前刺激动态调节皮质反应.
• 接近秩序的状态 (降低马功率,较低的HFD) 提高了响应能力,而混乱的状态 (更高的马功率,更高的HFD) 抑制了它.
• 阿尔法功率的相反效应表明,特定频率的机制微调大脑的响应力接近临界值.