神经信号的多模态分析
神经元与认知
2013-07-09 v1 机器学习
定量方法
摘要
在时间和空间上定位大脑中的神经元活动是推进脑功能理解的核心挑战。由于任何单一神经成像技术都无法同时覆盖所有方面，结合多种模态的信号以利用每种采集方法的优势正日益受到关注。由于功能磁共振成像 (fMRI) 中 BOLD 响应的任何建议完整模型都具有复杂性和未知参数化，开发可靠的终极融合方法仍然困难。但除了实现更优的时间和空间分辨率这一主要目标外，对多种成像模态数据的联合分析也可用于将神经信息与生理及采集噪声分离开来。在本文中，我们提出了一种新方法，该方法依赖于构建从一种模态（脑电图；EEG）到另一种模态（fMRI）的数据的可量化映射，称为神经信号的多模态分析 (TRANSfusion)。TRANSfusion 试图将嵌入 EEG 信号中的神经数据映射到其在 fMRI 数据中的反映。评估映射在未见数据上的性能，可以定位那些信号大部分能被可靠重建的大脑区域，即其神经活动在 EEG 和 fMRI 数据中均有反映的区域。对学习到的模型进行连续分析，可以定位与特定 EEG 频段相关的区域，或与任何给定 EEG 传感器功能相关（连接或相干）的区域。我们在人工数据和听觉实验的真实数据上展示了 TRANSfusion 的性能。我们进一步推测了可能的替代用途：跨模态数据滤波和由 EEG 驱动的 fMRI 信号插值，以获得任意高的 BOLD 时间采样率。
引用
@article{arxiv.1307.2150,
title = {Transmodal Analysis of Neural Signals},
author = {Yaroslav O. Halchenko and Michael Hanke and James V. Haxby and Stephen Jose Hanson and Christoph S. Herrmann},
journal= {arXiv preprint arXiv:1307.2150},
year = {2013}
}