首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

分段长度对EEG功能连接和脑网络组织的影响

图论和网络科学工具揭示了静息状态脑电分析中脑功能组织的基本机制。然而,仍不清楚几个方法学方面如何可能使重构的功能网络的拓扑产生偏差。在此背景下,文献显示所选分段的长度不一致,阻碍了不同研究结果之间的有意义的比较。本研究的目的是提供一种不受分段长度对功能连通性和网络重建影响的网络方法。采用不同时间间隔(1、2、4、6、8、10、12、14和16s)对18名健康志愿者的静息状态脑电图进行相位滞后指数(PLI)和振幅包络相关(AEC)测量。通过计算加权聚类系数(CCw)、加权特征路径长度(Lw)和最小生成树参数(MST)对网络拓扑进行评估。分析在电极和源空间数据上进行。电极分析结果显示,PLI和AEC的平均值都随着分段长度的增加而降低,PLI在12s和AEC在6s有稳定的趋势。此外,CCw和Lw表现出非常相似的行为,基于AEC的指标在稳定性方面更可靠。一般来说,MST参数在短时间内稳定,特别是基于PLI的MST (1-6 s,而AEC为4-8 s)。在源水平,结果更加可靠,基于PLI的MST的结果稳定可以达到1 s。这表明,PLI和AEC都依赖于分段长度,这对重建的网络拓扑结构有影响,特别是在电极上。源水平的MST拓扑对分段长度的差异不敏感,因此可以对不同研究的脑网络拓扑进行比较。本文发表在Journal of Neural Engineering杂志。

02
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    联合使用EEG电极和溯源空间特征实现精神分裂症的机器学习诊断

    传统的精神分裂症(SZ)诊断往往采用问卷调查的方式进行,医生会依据一定的标准(如DSM-5)询问患者一系列问题,以此来判定患者是否符合SZ的标准。但是这种传统的诊断方式往往具有一定的主观性,如患者可能会隐藏或可以回避一些问题,使得诊断出现一定的偏差。因此,研究者一直致力于寻找客观、定量的方法来实现SZ的分类和诊断。研究者采用EEG/ERP技术发现,SZ患者在某些任务中的ERP成分、功能连接或某些频段的振荡活动等都会出现异常。一些研究者尝试把上述EEG的标志物与机器学习结合起来,实现SZ的诊断和分类。比如说,有研究者利用Oddball任务诱发的ERP成分的幅值作为特征值,实现了SZ高达79%的诊断正确率。但是,上述这些研究都是利用电极水平(sensor-level)的特征来进行分类,而利用溯源水平(source-level)特征来对SZ进行机器学习诊断的研究似乎还很少。本次,笔者在这里分享一篇题目为《Machine-learning-based diagnosis of schizophrenia using combined sensor-level and source-level EEG features》的研究论文,该论文发表于Schizophrenia Research杂志,其联合使用EEG电极和溯源空间特征实现精神分裂症的机器学习诊断。 材料与方法 1.被试。从医院募集34个SZ患者和34个健康人,被试的临床资料如表1所示。

    00
    领券