使用生成对抗网络来消除与功能性MRI同时记录的神经生理学信号中的射频和梯度干扰

科学领域:

• 神经成像是一种神经成像.
• 神经生理学 神经生理学
• 生物医学工程 生物医学工程

背景情况:

• 同时的功能性MRI (fMRI) 和神经生理学记录对于理解大脑功能至关重要.
• 在fMRI中,梯度切换和射频 (RF) 脉冲为神经生理学信号带来了重要的人工物.
• 目前的工件移除方法,如平均工件减去 (AAS) 和主要组件分析 (PCA),通常会留下残留工件并导致信号丢失.

研究的目的:

• 开发一种新的盲源分离模型,以从同时的fMRI-神经生理学数据中去除梯度和射频器件.
• 为了提高fMRI采集期间记录的神经生理学信号的质量.
• 为了克服现有的文物移除技术的局限性.

主要方法:

• 提出了一个基于生成对抗网络 (GAN) 的盲源分离模型.
• 嵌入身份丢失,以保持神经信号的完整性.
• 利用了GAN损失和频率损失,用于时间和频率域的否定.

主要成果:

• 该GAN模型有效地从模拟和实证数据中删除了梯度和射频器件.
• 神经信号的完整性得到了维护,超过了传统的AAS和PCA方法.
• 证明了成功的盲源分离,而不需要地面真相否认数据.

结论:

• 拟议的基于GAN的方法为在fMRI-神经生理学记录同时进行的文物移除提供了优越的方法.
• 这种技术提高了fMRI期间获得的神经生理学数据的可靠性.
• 该方法具有很大的潜力,可以促进神经活动和血液动力学反应的研究.