view in publisher's site

Combining EEG Microstates with fMRI Structural Features for Modeling Brain Activity

Combining information from Electroencephalography (EEG) and Functional Magnetic Resonance Imaging (fMRI) has been a topic of increased interest recently. The main advantage of the EEG is its high temporal resolution, in the scale of milliseconds, while the main advantage of fMRI is the detection of functional activity with good spatial resolution. The advantages of each modality seem to complement each other, providing better insight in the neuronal activity of the brain. The main goal of combining information from both modalities is to increase the spatial and the temporal localization of the underlying neuronal activity captured by each modality. This paper presents a novel technique based on the combination of these two modalities (EEG, fMRI) that allow a better representation and understanding of brain activities in time. EEG is modeled as a sequence of topographies, based on the notion of microstates. Hidden Markov Models (HMMs) were used to model the temporal evolution of the topography of the average Event Related Potential (ERP). For each model the Fisher score of the sequence is calculated by taking the gradient of the trained model parameters. The Fisher score describes how this sequence deviates from the learned HMM. Canonical Partial Least Squares (CPLS) were used to decompose the two datasets and fuse the EEG and fMRI features. In order to test the effectiveness of this method, the results of this methodology were compared with the results of CPLS using the average ERP signal of a single channel. The presented methodology was able to derive components that co-vary between EEG and fMRI and present significant differences between the two tasks.

ترکیب میکروحالت‌های EEG با ویژگی‌های ساختاری fMRI برای مدلسازی فعالیت مغز

مقدمه: ترکیب اطلاعات حاصل از الکتروانسفالوگرافی (EEG)و تصویربرداری تشدید مغناطیسی عملکردی (fMRI)اخیرا مورد توجه زیادی قرار گرفته‌است. مزیت اصلی EEG وضوح زمانی بالای آن در مقیاس میلی‌ثانیه است، در حالی که مزیت اصلی fMRI تشخیص فعالیت عملکردی با وضوح فضایی خوب است. به نظر می‌رسد مزایای هر روش مکمل یکدیگر هستند و بینش بهتری را در فعالیت نورونی مغز فراهم می‌کنند. هدف اصلی ترکیب اطلاعات از هر دو روش، افزایش مکان فضایی و زمانی فعالیت اساسی نورونی است که توسط هر روش گرفته می‌شود. این مقاله یک تکنیک جدید مبتنی بر ترکیب این دو روش (EEG، fMRI)ارائه می‌دهد که امکان نمایش و درک بهتر فعالیت‌های مغز در زمان را فراهم می‌کند. EEG به عنوان یک توالی از توپوگرافی‌ها براساس مفهوم میکروایالت ها مدل می‌شود. مدل‌های مارکوف پنهان (HMMs)برای مدلسازی تکامل زمانی توپوگرافی پتانسیل مرتبط با رویداد متوسط (ERP)مورد استفاده قرار گرفتند. برای هر مدل، با در نظر گرفتن گرادیان پارامترهای مدل آموزشدیده، نمره فیشر از توالی محاسبه می‌شود. نمره فیشر چگونگی انحراف این توالی از HMM آموخته‌شده را شرح می‌دهد. از روش حداقل مربعات جزئی (CPLS)برای تجزیه دو مجموعه داده و ترکیب ویژگی‌های EEG و fMRI استفاده شد. به منظور آزمایش اثربخشی این روش، نتایج این روش با نتایج CPLS با استفاده از میانگین سیگنال ERP یک کانال واحد مقایسه شد. روش ارائه‌شده قادر به استخراج اجزایی است که بین EEG و fMRI مشترک هستند و تفاوت‌های قابل‌توجهی بین این دو کار را نشان می‌دهند. CNN / jats: p.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله General Medicine
  • ترجمه مقاله General Medicine
  • مقاله طب عمومی
  • ترجمه مقاله طب عمومی
  • مقاله Computer Networks and Communications
  • ترجمه مقاله Computer Networks and Communications
  • مقاله شبکه‌ها و ارتباطات کامپیوتری
  • ترجمه مقاله شبکه‌ها و ارتباطات کامپیوتری
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.