首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    fNIRS经系统伪影矫正后对初级运动皮层的腿部活动敏感

    功能性近红外光谱(fNIRS)是一种越来越流行的研究运动和步态过程中皮层活动的工具,需要进一步验证。本研究旨在评估(1)fNIRS是否可以检测初级运动皮层(M1)难以测量的腿部区域,并将其与手部区域区分开来;以及(2)fNIRS是否可以区分自动(即不需要注意)和非自动运动过程。特别关注的是系统性伪影(即血压、心率、呼吸的变化),这些伪影通过短通道(即主要对头皮浅表血流动力学敏感的fNIRS通道)进行评估和校正。结果表明,fNIRS对M1的腿部活动敏感,尽管其灵敏度低于手指活动,并且需要对系统波动进行严格校正。我们进一步强调,当短通道显示出与预期血液动力学反应相似的信号时,系统伪影可能导致不可靠的GLM分析。

    03

    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。

    02

    脑机接口新应用,利用深度学习对无声语音信号解码

    浙江大学、中国矿业大学和伦敦大学的研究人员研究了可用于识别神经肌肉信号的空间特征和解码器。具体来说,研究人员提出了利用迁移学习和深度学习的方法,将表面肌电信号数据转换为包含丰富的时频域信息的声谱图。对于迁移学习,在大型图像数据集上使用一个预先训练好的Xception模型来生成特征。然后利用提取的特征对三种深度学习方法(MLP、CNN和bLSTM)进行训练,并对其进行评价,以识别词集中的发音肌肉运动。所提出的解码器成功地识别了无声语音,双向长短时记忆的准确率达到了90%,优于其他两种算法。实验结果验证了谱图特征和深度学习算法的有效性。

    02

    头皮和硬膜下EEG对脑深部活动的定位

    对于皮层脑电图(ECoG)和头皮脑电图(sEEG)在定位大脑深层活动来源的能力上的不同尚不明显。与sEEG相比,ECoG的空间分辨率和信噪比更高,但其空间覆盖范围受到更多限制,有效测量组织活动的体积也是如此。本研究记录了4名顽固性癫痫患者在安静清醒状态下的多模式数据集,这些数据包括同步的头皮、硬膜下和深部EEG电极记录。本研究应用独立成分分析(ICA)来分离θ、α和β频段活动中的独立源。在所有患者中都观察到了硬膜下和头皮EEG成分,这与深部电极的一个或多个触点有显着的零滞后相关性。随后对相关成分的偶极建模显示,其偶极位置明显比非相关成分的偶极位置更接近深部电极。这些发现支持这样一种观点,即在两种记录方式中发现的成分都来自深部电极附近的神经活动。从本研究看,出于临床目的的将ECoG电极植入在靠近深部电极的位置,这并不能使源定位精度显著提高。此外,由于嵌入了ECoG电极的电隔离硅胶片,ECoG栅格衰减了sEEG。偶极子模型实验结果表明,sEEG的深源定位精度与ECoG相当。 1、背景 研究证明,与大脑深层结构的距离越大,记录的电极活动就越弱。在定位近端活动方面,ECoG较EEG有相当大的优势,具有优越的空间分辨率、频谱带宽和信噪比(SNR),因为记录不会被空间过滤或被头盖骨阻挡。然而,与EEG的整个头皮覆盖相比,ECoG网格或条带只覆盖皮质表面的有限区域,可能会影响更远端来源的局部化准确性。因此,到目前为止,还不清楚ECoG在定位深部和皮层下区域的源信号方面是否比EEG有优势。 要评估EEG和ECoG在深部源定位方面的实际比较,需要同时记录有/无创性的皮层和深层活动,如图1。

    03
    领券