利用 MEG 事件时间差解码多模态行为
神经元与认知
2019-01-25 v1
摘要
多模态行为涉及分布于远端脑区的多个处理站，但我们对这种分布式处理在大脑中如何协调的理解仍然有限。此处我们采用解码方法来研究此问题，旨在量化全脑神经活动的时间特征如何被用于推断特定的多模态行为。利用 MEG 的高时间分辨率测量，我们以毫秒分辨率检测来自大脑表面数百个位置的活动的爆发。然后我们比较使用神经活动爆发的三种特征进行解码：用事件计数、用潜伏期以及用事件对之间的时间差。在此机制下训练解码器尤其具有挑战性，因为样本数量比输入维度小几个数量级。我们为此机制开发了一种结合非参数建模与激进特征选择的新解码方法。令人惊讶的是，我们发现基于数千个区域对的时间差解码明显比其他活动特征更准确，在不同受试者中稳定达到 90% 的准确率。这些结果表明，关于多模态脑功能的相关信息由远端脑区之间细微的时间差提供。
引用
@article{arxiv.1901.08093,
title = {Decoding multimodal behavior using time differences of MEG events},
author = {Ohad Felsenstein and Idan Tal and Michal Ben-Shachar and Moshe Abeles and Gal Chechik},
journal= {arXiv preprint arXiv:1901.08093},
year = {2019}
}
备注
25 pages, 6 figures