源自 EEG 的静息态脑网络：隐马尔可夫状态与经典微状态的比较
神经元与认知
2016-06-09 v1 机器学习
摘要
功能脑网络在亚秒级时间尺度上展现出动态变化，通常被认为体现了认知过程的生理基础。在此，我们利用隐马尔可夫模型分析了由 EEG 测量的这些状态的时间和空间动态，并将该方法与经典的 EEG 微状态分析进行了比较。我们发现两种方法的主导状态寿命均为 100--150\,ms。状态地形图表现出明显的相似性。然而，它们也具有不同的空间特性，尤其是时间特性。这些差异可能携带源自数据中某些模式的具有生理意义的信息，HMM 能够整合这些模式，而微状态分析则不能。这一假设得到了 EEG 微状态时间演化之间持续高成对相关性的支持，而这种高相关性在 HMM 状态中并未观察到，且似乎不太可能很好地描述底层生理机制。然而，仍需进一步研究以确定 EEG HMM 状态相较于 EEG 微状态的稳健性及其功能和临床相关性。
引用
@article{arxiv.1606.02344,
title = {Resting state brain networks from EEG: Hidden Markov states vs. classical microstates},
author = {Tammo Rukat and Adam Baker and Andrew Quinn and Mark Woolrich},
journal= {arXiv preprint arXiv:1606.02344},
year = {2016}
}
备注
Presented at MLINI-2015 workshop, 2015 (arXiv:abs/1605.04435)