从表面到深度:使用深度学习来预测条形fMRI奖励信号从EEG
Nadine Herzog1,2, Luka Vähäsarja1,3, Pia Reinfeld1,4,5
1Department of Neurology, Max Planck Institute for Human Cognitive & Brain Sciences, Leipzig, Germany.
Imaging neuroscience (Cambridge, Mass.)
|March 12, 2026
概括
研究人员开发了一种深度学习模型,使用脑电图 (EEG) 来解码大脑的奖励信号. 这种方法重建了腹状条纹体活动,为研究潜在的临床应用提供了更容易获得的奖励处理方法.
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.
- 生物医学工程 生物医学工程
背景情况:
- 奖励处理对于激励和决策至关重要,主要涉及前-腰回路.
- 腹上条纹体 (VS) 是奖励处理的中心,但其信号通常使用昂贵的fMRI进行测量.
- 由于fMRI的可访问性有限,因此阻碍了广泛的临床使用,用于研究奖励回路.
研究的目的:
- 调整一个深度学习 (DL) 模型,从脑电图 (EEG) 数据中重建VS血液氧水平依赖 (BOLD) 活动.
- 与线性模型相比,评估DL模型在解码皮质下奖励信号方面的性能.
- 为了验证DL衍生的EEG信号的功能和解剖特异性.
主要方法:
- 一个卷积式自编码器DL模型被训练在并发的EEG和fMRI数据从19名健康参与者在博任务.
- 该模型从EEG信号中重建了VS BOLD活动.
- 通过比较DL衍生信号与地面真相fMRI BOLD信号,使用相关系数和解剖特异性测试来评估性能.
主要成果:
- DL模型显著优于线性模型,在DL衍生和实际VS BOLD信号之间实现了r=0.323的平均相关性 (与线性模型的r=0.213相比).
- 重建的信号在解剖学上是特定于VS和其他奖励相关区域的.
- 脑电图频段分析表明了theta和beta频段的参与,特别是在右侧中心平面,部和正面电极.
结论:
- 深度学习模型可以从表面EEG解码皮质下奖励相关信号,证明可访问的神经成像的可行性.
- 来自DL的EEG信号显示功能有效性,是特定于奖励区域的,并由奖励条件调节.
- 这种方法为基于EEG的神经反系统调节奖励回路奠定了基础,可能有助于治疗与奖励处理缺陷相关的疾病.
