利用块项分解对小鼠视觉通路的功能超声响应进行解卷积
信号处理
2022-05-26 v2 神经元与认知
摘要
功能超声通过记录响应神经激活的脑血容量和血流变化来间接测量大脑活动。传统方法将此类功能神经影像数据建模为脉冲响应（即血流动力学响应函数（HRF））与基于刺激起始时刻的输入信号二值化表示（即源信号）之间的卷积，这被称为实验范式（EP）。然而，EP 可能不足以刻画引发血流动力学变化的底层源信号的全部复杂性，例如在自发静息态活动的情况下。此外，HRF 在不同脑区和刺激间存在差异。为了构建一个能够捕捉此类大脑功能动态与未知量的自适应框架，我们提出了一种针对多变量 fUS 时间序列的解卷积方法，该方法可同时揭示特定区域的 HRF 以及在所研究区域中诱发血流动力学响应的源信号。我们首先将 fUS 时间序列建模为卷积混合物，并基于以下两个假设使用基于张量的方法进行解卷积：（1）HRF 是可参数化的；（2）源信号是不相关的。我们在小鼠视觉实验中采集的 fUS 数据上测试了该方法，重点关注小鼠脑丘脑-皮层图像形成通路中的三个区域：外侧膝状体核、上丘和视觉皮层。每个区域估计的 HRF 与先前的研究一致，而估计的源信号被观察到与 EP 紧密跟随。然而，我们注意到估计的源信号与 EP 存在一些偏差，这极有可能源于所选区域中观察到的神经响应在不同刺激重复中的试次间变异性。
引用
@article{arxiv.2204.03711,
title = {Deconvolution of the Functional Ultrasound Response in the Mouse Visual Pathway Using Block-Term Decomposition},
author = {Aybuke Erol and Chagajeg Soloukey and Bastian Generowicz and Nikki Van Dorp and Sebastiaan Koekkoek and Pieter Kruizinga and Borbala Hunyadi},
journal= {arXiv preprint arXiv:2204.03711},
year = {2022}
}