通过癫痫 EEG 与 fMRI 数据的结构化分解以神经血管耦合生物标志物增强发作间期定位
信号处理
2020-05-04 v1 机器学习
神经元与认知
摘要
EEG 相关 fMRI 分析被广泛用于检测与发作间期癫痫放电显著同步的局部血氧水平依赖波动，可为定位发作起始区提供证据。然而，这种非对称的、海量单变量方法无法捕捉 EEG 数据中固有的高阶结构，也无法捕捉 fMRI 数据中的多变量关系，并且准确处理患者间与脑区间变化的神经血管耦合并非易事。我们旨在以数据驱动方式通过一种新颖的结构化矩阵-张量分解克服这些缺陷：单被试 EEG 数据（表示为三阶谱图张量）与 fMRI 数据（表示为时空 BOLD 信号矩阵）被联合分解为若干源的叠加，这些源由空-时-频轮廓刻画。在共享的时间模态中，Toeplitz 结构因子解释了 EEG 与 fMRI 时间波动之间空间特异性的神经血管“桥梁”，捕捉血流动力学响应在脑区间的可变性。我们表明提取的源特征提供了对发作起始区的灵敏定位，并且此外，可从血流动力学响应的空间变化导出互补的定位信息。因此，这种多变量、多模态分解提供了两组有用的 EEG-fMRI 生物标志物，可辅助癫痫的术前评估。我们提供执行计算所需的所有代码。
引用
@article{arxiv.2004.14185,
title = {Augmenting interictal mapping with neurovascular coupling biomarkers by structured factorization of epileptic EEG and fMRI data},
author = {Simon Van Eyndhoven and Patrick Dupont and Simon Tousseyn and Nico Vervliet and Wim Van Paesschen and Sabine Van Huffel and Borbála Hunyadi},
journal= {arXiv preprint arXiv:2004.14185},
year = {2020}
}