基于对比的工件去除可以在门诊EEG中进行微态分析.

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程

背景情况:

• 移动脑电图 (EEG) 为现实世界的神经科学研究提供了新的可能性.
• 高振幅运动器件在门诊EEG数据采集中是一个重大挑战.
• 现有的文物清除技术在低信号噪声比 (SNR) 条件下扎.

研究的目的:

• 引入和验证一种新的一般化自身分解 (GED) 方法,用于从门诊EEG中移除运动工件.
• 评估GED的性能与既有方法相比,例如文物子空间重建 (ASR) 和独立组件分析 (ICA).
• 为了证明在自然主义活动中使用清洁的EEG数据进行大脑微状态分析的可行性.

主要方法:

• 开发了一种通用的固有分解 (GED) 算法,用于在EEG信号中去除物体.
• 通过半模拟和现实世界EEG数据验证了GED方法,这些数据是在步行和慢跑期间收集的.
• 在对人工物纠正的脑电图数据进行了大脑微态分析.

主要成果:

• 在半模拟数据中,GED有效地删除了运动文物,在半模拟数据中实现了高相关性 (0.93) 和低RMSE (1.43μV),即使在超低SNR (0.1-5) 条件下也是如此.
• 在非常低的SNR系统中,GED的表现优于ASR和ICA,用于移除文物.
• 清理的EEG数据允许提取正规的大脑微状态,揭示了运动期间与休息期间微状态特征的调制 (例如,A和B微状态的持续时间/发生增加,D的发生减少).

结论:

• 拟议的GED方法提供了一种可靠的方法,用于在门诊EEG中去除文物.
• 这种技术有助于在自然的人类行为过程中研究神经动力学.
• 这些发现为移动神经成像和现实世界神经科学研究开辟了新的途径.