从脑波到脑部扫描:一个强大的神经网络用于EEG到fMRI合成
概括
我们开发了E2fNet,这是一种深度学习模型,可以从脑电图 (EEG) 数据中合成功能磁共振成像 (fMRI). 这种具有成本效益的方法通过提高EEG信号的空间分辨率来增强神经成像能力.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 机器学习 机器学习
背景情况:
- 功能磁共振成像 (fMRI) 提供了关键的大脑活动见解,但成本昂贵,基础设施密集.
- 电脑电图 (EEG) 提供高时间分辨率,但缺乏神经定位的空间精度.
研究的目的:
- 引入E2fNet,这是一个深度学习模型,旨在从低成本EEG数据中合成fMRI图像.
- 为了弥合EEG的时间精度和fMRI的空间分辨率之间的差距.
主要方法:
- E2fNet使用编码器-解码器架构来处理来自EEG电极通道的多尺度特征.
- 该模型将EEG特征转化为准确的fMRI表示.
- 对三个公共数据集进行了评估.
主要成果:
- 与现有的CNN和基于变压器的方法相比,E2fNet表现出更高的性能.
- 取得了最先进的结果,特别是在结构相似性指数 (SSIM) 中.
结论:
- E2fNet为先进的神经成像提供了一个有希望的,具有成本效益的解决方案.
- 该模型增强了低成本EEG数据用于大脑活动分析的实用性.
