前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >解码自闭症-fMRI研究中机器学习方法的综合综述

解码自闭症-fMRI研究中机器学习方法的综合综述

作者头像
脑机接口社区
发布于 2023-09-19 06:59:15
发布于 2023-09-19 06:59:15
7810
举报
文章被收录于专栏:脑机接口脑机接口
这篇论文提供了一个全面的回顾,总结了自2011年以来,应用机器学习方法在自闭症谱系障碍研究中的主要发现和进展,特别强调了深度学习方法以及多站点数据集的重要性和应用前景。

fMRI(功能磁共振成像)是一种运用磁共振成像技术来测量和记录大脑中的血流变化,并据此推断大脑的活动状态的技术。这种技术基于一个假设,即大脑的神经活动和血流量有关。换句话说,当大脑中的某个区域变得更加活跃时,血流量会相应地增加。通过测量这种血流变化,我们可以获取到这个区域神经活动的信息。

fMRI主要用于研究人脑的功能定位,即研究大脑的哪一部分对特定的感知、行为或认知任务起作用。比如说,当我们阅读、听音乐或者思考问题时,fMRI可以描绘出大脑中的哪些区域被激活,从而为我们了解大脑如何处理这些任务提供帮助。fMRI也可以用于临床诊断,包括研究脑部疾病如阿兹海默症、帕金森病等的影响,以及用于术前脑部映射以规划手术策略等。

fMRI的一种常见类型是BOLD-fMRI(基于血氧水平依赖的功能磁共振成像)。这种类型的fMRI检测的是血液中脱氧血红蛋白和氧合血红蛋白的相对含量。血红蛋白是一种存在于我们血液中的蛋白质,它的主要功能是携带氧气。当血红蛋白与氧气结合时,我们称其为氧合血红蛋白(oxyhemoglobin),而当血红蛋白与氧气脱离时,我们称其为脱氧血红蛋白(deoxyhemoglobin)。不同的是,脱氧血红蛋白具有磁性,而氧合血红蛋白则几乎不具磁性。

MRI是一种使用强大的磁场和无线电波来生成人体内部图像的技术。在强磁场中,身体的某些原子会被激发并发出信号,这些信号可以被检测并转换成图像。特别地,MRI对磁性物质非常敏感,因此能够检测到脱氧血红蛋白和氧合血红蛋白的差异。

当我们的大脑活动时,活动的区域需要更多的能量,所以血流会增加以提供更多的氧和营养。这导致该区域的血液中氧合血红蛋白的比例增加,而脱氧血红蛋白的比例减少。因为氧合血红蛋白和脱氧血红蛋白在磁性上的差异,所以这种改变可以改变MRI信号,使得活动的大脑区域在MRI图像上“亮”起来。这就是fMRI(功能磁共振成像)能够映射大脑活动的原理。当某个大脑区域被激活时,那里的血液会因为增加的氧合血红蛋白而变得更"亮",这种变化可以被MRI设备检测到。

使用fMRI数据和机器学习研究ASD的一般过程(以FC特征为例)

虽然fMRI是一项非常强大的工具,但它也有一些局限性。例如,fMRI不能直接测量神经元的活动,而只能测量血流变化;此外,fMRI的时间分辨率也相对较低,它只能捕捉到几秒钟的大脑活动变化。然而,尽管有这些局限性,fMRI仍然是当前神经科学研究中的重要工具,并且在许多研究和临床应用中都发挥了关键作用。

在分析相关文献时,可以明显看到,fMRI数据主要来自三种来源:自我采集数据、合作机构数据和公开可用的数据库。自我采集数据和合作机构数据通常来自同一站点,采集参数相同。值得注意的是,所有涉及的基于任务的fMRI数据都来自前两种数据源。

被广泛知名的大型公开可用数据库是自闭症大脑成像数据交换(Autism Brain Imaging Data Exchange,简称ABIDE)数据库。ABIDE数据库的数据来自北美和欧洲的不同站点,这无可避免地在数据集中引入了异质性,这种异质性主要体现在fMRI扫描仪、数据收集协议和参与人口之间的差异。近年来,跨多个神经成像站点的数据聚合已经变得流行。

▲图1

考虑到分享和组合基于任务的fMRI数据比静息态fMRI数据具有更大的挑战,大型公开可用的数据库主要是静息态fMRI数据。尽管如此,人们已经做出了一些努力,为基于任务的fMRI数据建立了一个开放的存储库,例如Open fMRI数据库。

大型数据库的优点是它包含的可用数据比前两种数据源更多,可以满足更多研究人员对大型数据库分析的需求。为了实现从fMRI数据分类中提取出自动化诊断工具的最终目标,大型数据库对于进一步的泛化是必不可少的。不幸的是,来自不同站点的大型数据库的分类比来自同一站点的小型数据库更具挑战性。尽管存在上述挑战,但在ASD的研究中,公开可用的数据库越来越受到关注。值得注意的是,在本文所有列出的文献中,有70%的文献采用了公开可用的数据库。

▲图2

在进行神经科学研究或者其它科学实验的时候,实验通常包括两组或者多组参与者。在这里,一组是自闭症个体,另一组(即"Typical Controls")是普通(非自闭症)的人。

"Typical Controls"的目的是为了提供一个参照标准,以便研究者能更好地理解自闭症个体的fMRI数据有何特殊之处。比如,研究者可以比较这两组人在执行相同任务时的大脑活动差异,或者比较他们在静息状态下的大脑活动模式的差异。这样,研究者就可以得出结论,指出自闭症个体与普通人在大脑活动上的差异,以及这些差异可能与自闭症的哪些特征相关。

“TCs"在这个背景下,就是指一组正常的、非自闭症的个体,他们被用作对照,以便更好地理解和解释自闭症个体的fMRI数据。

“功能连接性(Functional Connectivity, FC)特征”是一种描述大脑中不同区域在活动上的同步性或相关性的方法。这是神经科学和脑成像研究中的一个重要概念,尤其在使用功能磁共振成像(fMRI)数据进行分析时。

在一个给定的时间段内,如果两个或多个大脑区域的活动模式显示出统计相关性(例如,它们同时增强或减弱),则认为这些区域在功能上是连接的。这种功能连接性可能反映了这些区域在处理信息或执行认知任务时的协同工作。

这些功能连接性模式可以被提取出来作为“功能连接性特征”,这些特征可以用来描述个体的大脑网络。例如,这些特征可以帮助我们了解大脑的正常功能,或者帮助我们识别和理解神经精神疾病,如自闭症、精神分裂症、阿尔茨海默病等的神经机制。

值得注意的是,功能连接性是一种非侵入性、间接的测量方法,它可以提供关于大脑功能和结构之间复杂相互作用的有价值的信息,但它不能直接测量神经元活动或神经电生理信号。同时,功能连接性的解释需要谨慎,因为它可能受到多种因素的影响,包括但不限于信号处理方法、实验设计、参与者状态等。

“静态FC特征”是指在一段较长的时间窗口内(比如整个fMRI扫描过程)大脑不同区域间的连接模式,这种模式被认为是相对稳定不变的。

虽然静态FC特征常常被用于ASD分类,但它并不完全局限于rs-fMRI数据。这是因为我们也可以从执行特定任务(如语言,工作记忆,心理想象,执行功能,认知控制和社会认知任务)过程中的fMRI数据中提取出静态FC特征。这种方法可以帮助我们理解大脑在执行不同任务时的连接模式如何改变,这对于理解ASD的神经基础非常重要。

上述的功能连接(Functional Connectivity,简称FC)主要是指传统的静态脑功能连接,它揭示了一对兴趣区域(Regions of Interest,简称ROI)或特定网络间的内在相似性。近年来,人们逐渐接受了动态功能连接(Dynamic Functional Connectivity,简称DFC)比静态功能连接包含更多的附加知识这一观点。动态功能连接可以揭示静态功能连接无法观察到的时空网络属性,并可能揭示ASD中更为细微的非典型功能连接的瞬态模式。尽管如此,相较于静态功能连接,使用动态功能连接进行ASD分类研究的案例还并不多。

有研究利用独立成分分析(Independent Component Analysis,简称ICA)生成的独立成分获得动态功能连接。他们的研究证明,使用在广泛时间范围内的功能连接特征,比使用静态功能连接特征可以显著提高ASD分类,这表明动态功能连接是静态功能连接特征的重要补充。此外,有研究提出了基于皮尔森相关的高阶形态脑网络,以检测多个脑区间的更复杂交互模式。他们发现,在高阶级别识别的区域与低阶级别的不同,这可能提供互补的区别信息,以便进行更准确的诊断。

另一项研究提出了多级高阶功能连接网络,作为ASD分类特征,并获得了更好的分类性能。两年后,他们融合了从传统功能连接、低阶动态功能连接和高阶动态功能连接中提取的特征,用于ASD分类,并获得了比任何其他类型的特征融合更好的分类性能。这表明,不同级别的功能连接的融合可以提供关于ASD诊断的互补相关信息,这与他们的前期研究是一致的。

通过分析相关文献,可以明显看到,常用的分类特征主要来自静态或动态功能网络。此外,一些研究者通过不同的视角扩大了ASD分类特征的范围。例如,有研究使用了两种视觉奇异任务,研究了在关注社交(面部)和非社交(场景)刺激时参与的脑系统,并选择了前部胰岛皮质背部的多变激活模式作为分类特征。首先,"oddball tasks"是一种常用的心理学实验设计。在这种任务中,被试需要对一连串重复的刺激进行反应,这些刺激中间夹杂着极少数的不同的刺激(即"oddball",或者叫做“异类刺激”)。在此研究中,研究人员使用了两种视觉异类任务,一种是面部(代表社交刺激),另一种是场景(代表非社交刺激)。然后,"dorsal part of the anterior insula"是大脑的一个部位。前岛脑是与感觉、情感、自我意识等有关的区域。这部分的多变性激活模式(即在处理不同任务时激活方式的差异)被用作分类特征。换句话说,他们的研究目的是检验在处理社交刺激和非社交刺激时,前岛脑是否表现出不同的活动模式。简单来说,Odriozola等人在2016年的研究中使用了两种视觉异类任务,分别以面部和场景作为刺激,探查大脑在处理这两类刺激时的活动差异,特别是在前岛脑的背部区域。他们对这个区域的活动模式进行了分类,以检验是否存在对社交和非社交刺激的不同反应模式。

▲图3

还有的研究从两个实验中获取了fMRI数据,并使用每个条件在个体步骤级别估计的贝塔图作为分类特征。每个个体的贝塔图是高维的,包含186,217个特征。甚至直接选择了静息态fMRI时间序列和灰质(Grey Matter,简称GM)掩模内的所有体素作为分类特征,假设他们将携带比单一的、静态的功能连接测量更有用的信息。解释一下,这里的"高维"和"特征"是指在分析过程中,每个体素都对应一个beta值,这个值代表了该体素对试验条件的反应强度。这个研究中,每个人的大脑被分成了186,217个体素,所以每个人的beta map就有186,217个特征。

此外,一些研究者应用了集成的分类特征。例如,通过小世界网络分析,引入了体积测量分析、功能连接MRI分析和图论,产生了包含总共22个定量局部和全局成像特征的集成分类特征。在某些研究中,实现了源自AAL图谱、HO图谱和Craddock图谱的集成功能连接。此外,为了更好的分类,一些研究者应用了他们提出的方法来获得分类特征,例如方向梯度直方图(Histogram of Oriented Gradients,简称HOG)特征和因子分析特征。还有一些研究者计算了基于AAL图谱的静息态fMRI、GM和白质(White Matter,简称WM)的各自ROI的平均值,然后使用这三种特征的融合获得了最高的分类准确性。在一项研究中,基于AAL图谱的功能连接,引入了fMRI × ROI连接作为特征补充。相对于主要由神经纤维组成的"白质",灰质在fMRI扫描中更能反应神经活动。一个"mask"在这里指的是一个用来选择特定大脑区域的模版,"GM mask"就是用来选择灰质区域的模版。"Voxels"是体素的意思,指的是三维像素,是构成fMRI图像的基本单位。

因此,原文这段话的意思是,研究者们直接使用了处于灰质区域内的所有体素的rs-fMRI时间序列作为分类的特征。这是基于他们的假设,即这些体素的rs-fMRI时间序列包含的信息比单一的、静态的功能连接性(Functional Connectivity, FC)度量更有用。

影响分类准确性的另一个重要因素是特征选择。由于即使构造了相关特征后,fMRI数据仍具有高维特性,因此特征选择方法在分类中起着重要作用。适当的特征选择可以进一步降低特征的维度,提高分类准确性,便于数据的可视化,并导致更快的分类。为了认识到特征选择在分类中的重要性,它逐渐成为ASD分类研究的不可或缺的一部分。然而,这次评论的47篇论文中有16篇并未引入独立的特征选择方法,而是直接将高维特征作为分类器的输入,导致了较低的分类准确性。在一些工作中,还比较了使用和不使用特征选择方法的ASD分类的性能。比如,一项研究使用变量重要性最高的前100个特征获得了90.8%的分类准确性,而没有特征选择时,准确性为58%。另一项研究证明,使用特征选择的分类表现优于不使用特征选择方法的分类表现,不同的特征选择方法可能会产生不同的分类结果。值得一提的是,使用特征选择方法的ASD分类研究平均可以带来比没有使用特征选择方法的研究更好的分类准确性。

图1 https://fcon_1000.projects.nitrc.org/indi/abide/

图2 http://openfmri.org/

图3 Odriozola P, Uddin L Q, Lynch C J, et al. Insula response and connectivity during social and non-social attention in children with autism[J]. Social cognitive and affective neuroscience, 2016, 11(3): 433-444.

参考文献:

Autism Spectrum Disorder Studies Using fMRI Data and Machine Learning: A Review

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2023/07/30 09:13:21,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 脑机接口社区 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
EEG vs MRI vs fMRI vs fNIRS简介
脑电图(EEG)是一种生理学方法,用来记录大脑通过放置在头皮表面的电极产生的电活动。
脑机接口社区
2020/06/30
1.6K0
课程笔记5--理解信号、噪音与血流
MRI扫的是大脑的结构图像,也叫T1权重图像。它有着很高的空间分辨率,可以从中看到非常清晰的解剖结构,也可以从中区分出各种不同的组织。
锦小年
2019/05/26
1.6K0
探索大脑静息态活动中的动态信息
2019年6月18日下午,来自加州大学河滨分校(The University of California, Riverside) Bourns工程学院的生物工程系主任Xiaoping Hu (胡小平)的研究领域是磁共振成像、分子成像和图像重构与加工。本场讲座中,胡小平教授介绍了在静息态功能性核磁共振成像(resting state functional MRI,rsfMRI)领域的新进展,包括利用其中的动态信息进行分析,并结合机器学习提高rsfMRI的研究与应用价值等。
脑机接口社区
2020/06/30
8840
探索大脑静息态活动中的动态信息
课程笔记1--fMRI简介以及数据分析
现代的神经影像学技术有这样几种::脑电图(EEG), 单光子发射体层成像(SPECT), 正电子发射型计算机断层显像(PET), 功能性磁共振成像(fMRI),侵入性光学成像(invasive optical imaging),颅内电极记录(intracranial recording) , 脑皮层电图(ECoG),其中最为广泛应用的是fMRI和PET
锦小年
2019/05/26
4.7K0
fNIRS研究: 神经营销能否为传统营销研究增加价值?
神经营销学方法的成本-效用比,以及能否提供其他营销学方法无法提供的隐藏信息,决定了其能否应用于营销学研究。由于功能磁共振成像(fMRI)无法应用于现实环境、成本高昂,本研究检验了(可应用于现实环境、成本较低)的可移动型功能近红外光谱成像(fNIRS)应用于神经营销学的可行性。本文使用两个品牌、标签相关的实验讨论神经营销是否以及如何助力营销学研究,可以多大程度上克服目前的限制和挑战。
用户1279583
2022/02/28
5830
fNIRS研究: 神经营销能否为传统营销研究增加价值?
视觉皮层的fNIRS反应振幅揭示了典型的儿童孤独症特征
自闭症特征代表了整个人群的一个连续维度,自闭症谱系障碍(Autism spectrum disorder, ASD)是分布的极端。越来越多的证据表明,ASD患者亲属中描述的神经解剖学和神经功能特征反映了临床人群和健康对照之间的中间神经生物学模式。这表明,在普通人群中检测自闭症特征的定量测量代表了识别ASD相关早期病理生理过程潜在候选的生物标志物。功能近红外光谱(fNIRS)已被广泛用于研究神经发育和功能。然而,fNIRS定义可靠的脑活动生物标志物的潜力几乎没有被探索过。无创性、便携性、易于管理和低运营成本的特点使fNIRS成为评估脑功能的合适工具,可用于多种神经疾病的鉴别诊断、随访、治疗结果分析和个性化治疗。这里介绍了一种新的具有很高的娱乐价值标准化程序,用于测量成人和儿童枕叶皮质的血流动力学反应(hemodynamic responses, HDR)。我们发现,通过自闭症谱系商进行评估,诱发HDR的变异性与儿童的自闭症特征相关。有趣的是,HDR振幅与社交和沟通特征尤其相关,代表ASD的核心症状。这些发现为使用fNIRS测量视觉诱发皮层活动提供了一种快速简便的策略,优化了年轻受试者的依从性,为测试fNIRS视觉测量在ASD临床人群中的诊断价值奠定了基础。
悦影科技
2022/08/18
3630
静息态功能磁共振成像:关于静息态功能连接和脑网络分析方法
‍ 自诞生之初,人类就对大脑中发生的事情充满好奇。功能磁共振成像是一种重要的工具,它有助于无创地检查、定位和探索大脑的语言、记忆等功能。近年来,神经科学研究的焦点明显转向了“静息态”下的大脑研究。重点是在没有任何感官或认知刺激的情况下大脑内部的内在活动。对静息态下大脑功能连接的分析揭示了不同的静息态网络,这些网络描述了特定的功能和不同的空间拓扑结构。虽然不同的统计方法被引入到静息态功能磁共振成像连接性的研究中,但得到了一致的结果。在本文中,我们详细介绍了静息态功能磁共振成像的概念,然后讨论了三种最广泛使用的分析方法、描述了几种具有脑区特征的静息态网络及相关认知功能、静息态功能磁共振成像的临床应用。本综述旨在强调静息态功能磁共振成像连接性研究的实用性和重要性,强调其与基于任务的功能磁共振成像的互补性质。本文发表在The Neuroradiology杂志。
用户1279583
2022/02/28
4.7K0
静息态功能磁共振成像:关于静息态功能连接和脑网络分析方法
婴儿认知的血流动力学研究
过去20年内,认知神经科学研究依靠脑区血流动力学数据测量来推断潜在的认知过程,其中功能磁共振成像(fMRI)和功能近红外光谱成像(fNIRS)技术也适用于婴儿研究。我们回顾了这两种技术应用于婴儿研究的优、劣势,特别强调他们的技术局限,以及允许研究提出的假设(通过相关数据能够支持的结论)。本文总结了婴儿认知的关键发现,并讨论了fNIRS数据质量提高后,能如何使用更复杂的方法来研究认知发展的神经机制。本文发表在Annual Review of Psychology杂志。
用户1279583
2022/02/28
5960
婴儿认知的血流动力学研究
Magnetic Resonance Imaging:白质fMRI及静息态功能连接
请点击上面“思影科技”四个字,选择关注我们,思影科技专注于脑影像数据处理,涵盖(fMRI,结构像,DTI,ASL,EEG/ERP,FNIRS,眼动)等,希望专业的内容可以给关注者带来帮助,欢迎留言讨论,也欢迎参加思影科技的课程,可添加微信号siyingyxf或19962074063进行咨询。(文末点击浏览)
用户1279583
2020/03/21
1.1K0
医学图像了解
医学图像是反映解剖区域内部结构或内部功能的图像,它是由一组图像元素——像素(2D)或立体像素(3D)组成的。医学图像是由采样或重建产生的离散性图像表征,它能将数值映射到不同的空间位置上。像素的数量是用来描述某一成像设备下的医学成像的,同时也是描述解剖及其功能细节的一种表达方式。像素所表达的具体数值是由成像设备、成像协议、影像重建以及后期加工所决定的
范中豪
2019/09/10
2.2K0
医学图像了解
BP综述:自闭症中基于功能连接体的预测模型
自闭症是一种异质性的神经发育疾病,基于功能磁共振成像的研究有助于推进我们对其对大脑网络活动影响的理解。我们回顾了使用功能连接和症状的测量的预测建模如何帮助揭示对这种情况的关键见解。我们讨论了不同的预测框架如何进一步加深我们对复杂自闭症症状学基础的基于大脑特征的理解,并考虑预测模型如何在临床环境中使用。在整个研究过程中,我们强调了研究解释的一些方面,如数据衰减和抽样偏差,这些都需要在这种情况下进行考虑。最后,我们提出了自闭症预测建模令人兴奋的未来方向。
悦影科技
2022/12/07
6000
Frontiers in Neuroscience:fMRI研究指南
fMRI因为能够提供对大脑功能的独特洞察而受到医生和研究人员的广泛欢迎。然而,我们必须考虑多种技术因素,从实验设计到数据采集、数据处理以及方法的内在限制,以优化fMRI分析并对数据作出最准确和最有根据的解释。实际研究过程中,研究者/临床医生必须从许多可用的选项中选择每个阶段最合适的软件工具。在这里我们提供简单的指南,包含主要的分析阶段,每个阶段涉及的技术和工具。这份指南旨在作为神经成像社区的资源,帮助新手克服最关键的困难。本文由葡萄牙学者发表在Frontiers in Neuroscience杂志。
用户1279583
2020/04/01
1.4K0
感觉-认知系统的整合与自闭症谱系障碍的严重程度之间的关系;基于猴脑脑血流与血氧信号耦合的关系研究
1、Journal of the American Academy of Child & Adolescent Psychiatry:感觉-认知系统的整合与自闭症谱系障碍的严重程度之间的关系
用户1279583
2020/07/17
7600
感觉-认知系统的整合与自闭症谱系障碍的严重程度之间的关系;基于猴脑脑血流与血氧信号耦合的关系研究
结构MRI和fNIRS结合:老年人双任务行走多模态神经成像研究
由美国耶希瓦大学阿尔伯特·爱因斯坦医学院格鲁斯磁共振研究中心团队主导的一项双任务行走的多模态神经影像研究发表在NeuroImage期刊上。该研究通过结合从55名相对健康的老年人样本上收集到的灰质体积和从单任务到双任务行走氧合血红蛋白浓度变化以期阐明步态的神经生理学基础,从而来弥合该领域结构-功能的研究缺口。利用线性混合效应模型,在控制了包括任务表现在内的协变量的基础上,发现灰质体积在从单任务行走到双任务行走中对前额叶氧合血红蛋白浓度变化上具有调节作用。还发现额叶灰质体积与任务之间存在极其显著的交互作用,具体来说,与单任务行走相比,双任务行走期间氧合血红蛋白浓度的增加与额叶灰质体积的减少有关。局部分析证明双侧额上回和喙中回对该结果贡献较大。这些发现为老年人大脑激活中的神经低效性的概念提供了支持,并可能对于确定用于预测未来移动能力低下和跌倒风险的有效临床生物学标记具有实质性意义。
用户1279583
2019/06/06
1.1K0
结构MRI和fNIRS结合:老年人双任务行走多模态神经成像研究
Nature子刊:高功能自闭症患者的大脑网络动态
请点击上面“思影科技”四个字,选择关注我们,思影科技专注于脑影像数据处理,涵盖(fMRI,结构像,DTI,ASL,QSM,MRS,EEG/ERP,FNIRS,眼动)等,希望专业的内容可以给关注者带来帮助,欢迎留言讨论及转发推荐,也欢迎了解思影科技的课程及数据处理服务,可添加微信号siyingyxf或18983979082咨询(电话18580429226,杨晓飞)。(文末点击浏览)
用户1279583
2021/11/10
5500
医学图像处理(医学图像处理研究生就业选择)
医学影像学Medical Imaging,是研究借助于某种介质(如X射线、电磁场、超声波等)与人体相互作用,把人体内部组织器官结构、密度以影像方式表现出来,供诊断医师根据影像提供的信息进行判断,从而对人体健康状况进行评价的一门科学,包括医学成像系统和医学图像处理两方面相对独立的研究方向。
全栈程序员站长
2022/08/02
1.9K0
医学图像处理(医学图像处理研究生就业选择)
电生理源成像:脑动力学的无创窗口
大脑活动和连接分布在三维空间上并在时间上演变,这对于高时空分辨率的脑动态成像是非常重要的。脑电图(EEG)和脑磁图(MEG)是无创测量方式,测量编码大脑功能的复杂神经活动及其相互作用。电生理源成像(ESI)从EEG和MEG中估计出潜在的脑电源,它提供了高时空分辨率的大尺度脑活动和脑连接成像。电生理源成像和功能磁共振成像的结合可以进一步提高时空分辨率和特异性,这是任何一种技术都无法达到的程度。来自明尼苏达和卡内基梅隆等大学的研究者在Annual Review of Biomedical Engineering发文,其回顾了近三十年来电生理源成像的方法学进展,其未来可发展为一种功能强大的神经成像技术,用于基础神经科学和临床神经科学研究。
用户1279583
2019/08/22
1.6K0
fNIRS–EEG监测人脑活动和氧合作用的研究进展
在人类脑功能的研究中,多模式监测已变得相当普遍,其中,功能近红外光谱(fNIRS)和脑电图(EEG)的同步测量成为一个备受关注的研究热点。由于没有光电干扰,将这两种无创的脑活动记录程序整合起来是非常容易的。fNIRS和EEG都是头皮定位的程序。fNIRS通过光谱测量来估计脑血流动力学变化,脑电图通过无源电压评估(passive voltages evaluations)来捕捉大脑电活动的宏观时间动态。这两种技术所提供的“正交”的神经生理学信息,以及研究者对神经血管耦合现象日益增长的兴趣,进一步促进了它们的整合。本文综述了这两种技术的原理和未来发展方向,并对这种灵活、低成本的神经成像模式的主要临床和非临床应用进行了评价。fNIRS–EEG系统利用了两种技术的优势,能够在其他神经成像方式(如功能性磁共振成像、正电子发射断层扫描和脑磁图成像)所不适合的环境或实验场景中进行施测。fNIRS–EEG大脑监测已成为一种有用的多模态脑电和血流动力学研究工具。本文发表在Neurophotonics杂志。
用户1279583
2022/02/28
2.1K0
fNIRS–EEG监测人脑活动和氧合作用的研究进展
Science advances:新生儿的言语知觉:大脑对快速和慢速时态信息的编码
言语感知受到听觉处理的制约。虽然婴儿的听觉系统不成熟,语言经验有限,但他们表现出非凡的言语感知能力。为了评估新生儿处理复杂语音线索的能力,我们结合近红外光谱(NIRS)和脑电图(EEG)来测量大脑对不同辅音音节的反应,分别评估脑电生理反应及其代谢相关性,这两种技术的结合有提供精确的空间定位和高时间分辨率的独特优势。
用户1279583
2020/08/18
7180
Science advances:新生儿的言语知觉:大脑对快速和慢速时态信息的编码
综述:自闭症贝叶斯理论的全面回顾
摘要:十年前,Pellicano和Burr发表了一篇在自闭症谱系障碍研究中最有影响力的文章,将它们与大脑中异常的贝叶斯推理过程联系起来。他们特别提出,自闭症患者较少受到大脑对环境的先验信念的影响。在这篇系统综述中,我们调查了这一理论是否得到实验证据的支持。为此,我们收集了所有包括诊断组或自闭症特征比较的研究,并根据调查的先验对其进行分类。我们的结果是高度混合的,有轻微多数的研究发现在贝叶斯先验的整合上没有差异。我们发现,在实验过程中形成的先验比之前获得的先验更频繁地表现出降低的影响,各种研究为参与者群体之间的学习差异提供了证据。最后,我们将重点放在纳入研究的方法和计算方面,显示出低统计能力和经常不一致的方法。基于我们的发现,我们提出了未来研究的指导方针。
悦影科技
2023/12/08
3240
推荐阅读
相关推荐
EEG vs MRI vs fMRI vs fNIRS简介
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档