XiaoMi-AI文件搜索系统
World File Search SystemFMRI
海马体和大脑皮层中 fMRI BOLD 信号的不同神经生理相关性
这篇早期发布的文章已经过同行评审并被接受，但尚未经过撰写和编辑过程。最终版本在风格或格式上可能略有不同，并将包含指向任何扩展数据的链接。
术中映射确定的 fMRI 和 MEG 激活的准确性分析
目的通过观察术前脑映射方法的准确性如何随着用于分析的激活簇距离差异而变化，本研究旨在阐明如何使用术前功能性神经影像学以最大限度地提高映射准确性。方法在切除术前，使用功能性磁共振成像 (fMRI) 和脑磁图 (MEG) 映射 19 名脑肿瘤或海绵状血管瘤患者的语言功能。然后使用开颅后立即和切除前进行的直接皮质刺激映射来验证映射结果。对执行了运动 (n = 14) 和语言 (n = 12) 等效 MEG 和 fMRI 任务的患者子集进行单独和组合预测评估。此外，通过将敏感性和特异性与线性增加的距离阈值作图，确定了由 J 统计量评估的导致最大准确度的距离。结果 fMRI 显示运动和语言映射的最大映射精度均为 5 毫米。 MEG 显示，对于运动映射，40 毫米处的最大映射精度以及对于语言映射，15 毫米处的最大映射精度。在文献中使用的标准 10 毫米距离下，MEG 对运动和语言映射的特异性都高于 fMRI，但对运动映射的灵敏度较低。结合 MEG 和 fMRI 显示，对于运动映射，15 毫米和 5 毫米（分别为 MEG 和 fMRI 距离）的最大精度以及 10 毫米距离的 MEG 和 fMRI 的语言映射精度。对于运动映射，在最佳距离结合 MEG 和 fMRI 的精度高于单个预测的最大精度。结论本研究表明，fMRI 和 MEG 的语言和运动映射的精度在很大程度上取决于分析中使用的距离阈值。此外，与单独使用这两种方式相比，结合 MEG 和 fMRI 可以提高运动映射的精度。
大脑成像的演变：从CT扫描到fMRI及以后。
计算机断层扫描（CT）扫描，于1970年代引入，标志着医学成像的开创性进步。由英国工程师Godfrey Hounsfield和物理学家Allan Cormack开发，CT扫描使用X射线梁创建大脑的横截面图像。这项技术比传统的X射线提供了更大的分辨率，使临床医生能够以更高的精度检测肿瘤，出血和结构异常。尽管具有优势，但CT成像的区分能力有限，并使患者暴露于电离辐射，从而促使人们寻找更安全，更详细的成像方法[2]。
fMRI数据的解码参数grip -force预期
抽象的先前功能磁共振成像（fMRI）研究表明，前运动和顶脑区域的活性具有即将到来的抓地力强度。但是，尚不清楚如何在电动机执行之前最初表示有关预期的握力强度的信息，然后随后将其转换为电机代码。在这项fMRI研究中，我们使用多毒素模式分析（MVPA）来解码有关抓地力强度的信息以及何时在大脑中参数编码的有关抓地力强度的信息。 人类参与者执行了延迟的抓地力任务，其中在工作记忆（WM）中，必须在工作记忆（WM）中维持四个提示的握力强度之一，这是在9-S延迟到达前的电动机执行之前。 使用探照灯方法和支持向量回归的时间分辨MVPA，我们测试了哪些大脑区域显示出预期的握力强度的多元WM代码。 在早期延迟期间，我们观察到在腹侧额叶前皮层（VMPFC）中进行了高度的解码。 在晚期延迟期间，我们发现了一个动作特异性大脑区域的网络，包括双侧腔内沟（IPS），左背前皮层（L-PMD）和补充运动区域。 此外，还采用了交叉回归解码来测试早期和晚期延迟期之间激活模式的时间概括，并在提示表现和电动机执行过程中使用这些分解。 交叉回归解码表明在VMPFC中对提示周期的时间概括以及L-IPS和L-PMD中的运动执行。在这项fMRI研究中，我们使用多毒素模式分析（MVPA）来解码有关抓地力强度的信息以及何时在大脑中参数编码的有关抓地力强度的信息。人类参与者执行了延迟的抓地力任务，其中在工作记忆（WM）中，必须在工作记忆（WM）中维持四个提示的握力强度之一，这是在9-S延迟到达前的电动机执行之前。使用探照灯方法和支持向量回归的时间分辨MVPA，我们测试了哪些大脑区域显示出预期的握力强度的多元WM代码。在早期延迟期间，我们观察到在腹侧额叶前皮层（VMPFC）中进行了高度的解码。在晚期延迟期间，我们发现了一个动作特异性大脑区域的网络，包括双侧腔内沟（IPS），左背前皮层（L-PMD）和补充运动区域。此外，还采用了交叉回归解码来测试早期和晚期延迟期之间激活模式的时间概括，并在提示表现和电动机执行过程中使用这些分解。交叉回归解码表明在VMPFC中对提示周期的时间概括以及L-IPS和L-PMD中的运动执行。一起，这些发现表明，抓地力强度的WM表示会发生转换，其中VMPFC编码有关预期的握力的信息，后来在执行前将其转换为L-PIP和L-PMD中的电机代码。
基于 VR 的运动想象和观察任务激活大脑：一项 fMRI 研究
在脑卒中后康复策略中，训练运动想象 (MI) 和运动观察 (MO) 任务正被广泛利用来促进大脑可塑性。这可能得益于使用闭环神经反馈，嵌入脑机接口 (BCI) 以提供替代的非肌肉通道，该通道可通过虚拟现实 (VR) 传递的具体反馈进一步增强。在这里，我们在一组健康成年人中使用功能性磁共振成像 (fMRI) 来绘制由基于 VR-BCI 范式的生态有效任务 NeuRow 引起的大脑激活，参与者用左臂或右臂进行划船的 MI（即 MI），同时以第一人称视角观察同一侧化身的虚拟手臂的相应运动（即 MO）。我们发现，与基于 Graz BCI 范式的传统 MI 任务以及明显的运动执行任务相比，此 MI-MO 任务引发了更强的大脑激活。它除了激活躯体运动和运动前皮质外，还激活了大部分顶叶和枕叶皮质，包括与动作观察相关的镜像神经元系统 (MNS)，以及与视觉注意力和运动处理相关的视觉区域。总体而言，我们的研究结果表明，生态有效的 MI-MO 任务中手臂的虚拟表示比传统的 MI 任务更能激发大脑的参与，我们建议可以探索更有效的神经康复方案。
两个更好？将BCI和神经反馈的EEG和FMRI结合在一起：系统评价
脑电图（EEG）和功能磁共振成像（fMRI）是两种常用的非侵入性技术，用于测量神经科学和脑部计算机接口（BCI）中的大脑活动。虽然脑电图具有较高的时间分辨率和低空间分辨率，但fMRI具有高空间分辨率和低时间分辨率。在这篇综述中，我们专注于在神经反馈（NF）中使用脑电图和fMRI，并讨论结合两种方式的挑战，以提高人们对大脑活动的了解并实现更有效的临床结果。已经开发出高级技术来同时记录脑电图和fMRI信号，以便更好地了解两种方式之间的关系。然而，脑过程的复杂性和脑电图和fMRI的异质性质在从组合数据中提取有用的信息时面临着挑战。我们将调查现有的EEG-FMRI组合和最近利用NF EEG-FMRI的研究，从而强调了实验和技术挑战。我们还将确定该领域的剩余挑战。
解码 fMRI 酒精提示反应及其与饮酒行为的关联
摘要 背景 线索反应性，即对条件线索的敏感性增强，与习惯性和强迫性饮酒有关。然而，之前大多数关于酒精使用障碍 (AUD) 的研究都比较了酒精和中性条件下的大脑活动，仅仅是将大脑活动视为线索触发的神经反应。 目的 本研究旨在发现 AUD 个体在处理视觉酒精线索过程中的神经子过程，以及这些神经模式如何预测复发。 方法 使用线索反应性和评级任务，我们分别用表征相似性分析建模了解码酒精线索的视觉对象识别和奖励评估过程的模式，并比较了 AUD 和健康个体的解码参与度（即神经反应与假设的解码模型之间的距离）。我们进一步探索了已确定的神经系统与整个大脑之间的连接，并利用神经模式的解码参与度预测 6 个月内的复发。 研究结果 与健康个体相比，AUD 个体在解码视觉特征时表现出与运动相关的大脑区域更高的参与度，并且他们的奖励、习惯和执行网络更多地参与评估奖励价值。连接分析表明，在酒精成瘾患者中，所涉及的神经系统与高级认知网络在酒精线索处理过程中广泛相连，额叶眼区和背外侧前额叶皮层的解码参与可能有助于预测复发。结论这些发现从视觉对象识别和奖励评估的组成过程，深入了解了酒精成瘾患者与健康参与者在酒精线索解码方面的差异。临床意义所确定的模式被认为是酒精成瘾患者的生物标志物和潜在治疗靶点。
用于快速全脑 fMRI 分析的空间 3D 材料先验
摘要。已证明，使用三维空间平滑先验的贝叶斯全脑功能磁共振成像 (fMRI) 分析无需预先平滑数据即可生成最先进的活动图。然而，所提出的推理算法对计算要求很高，并且所使用的空间先验具有一些不太吸引人的性质，例如不合适和具有无限的空间范围。我们提出了一种基于 Mat'ern 协方差函数类的全脑 fMRI 分析统计推理框架。该框架通过 Lindgren 等人 (2011) 的随机偏微分方程 (SPDE) 方法使用可能各向异性空间 Mat'ern 场的高斯马尔可夫随机场 (GMRF) 表示。这允许更灵活和可解释的空间先验，同时保持在高维全脑设置中快速推理所需的稀疏性。我们开发了一种加速随机梯度下降 (SGD) 优化算法，用于空间超参数的经验贝叶斯 (EB) 推断。根据推断出的超参数，我们对大脑活动进行完全贝叶斯处理。Mat'ern 先验应用于模拟和实验任务 fMRI 数据，并通过比较活动图、先验模拟和交叉验证清楚地表明，它是比以前使用的先验更合理的选择。
通过功能性脑网络生成进行有效且可解释的 fMRI 分析
近年来，为了了解健康和患病个体的大脑组织，面向网络的分析在神经影像学研究中变得越来越重要（Satterthwaite 等人，2015 年；Wang 等人，2016 年；Wang 和 Guo，2019 年；Bullmore 和 Sporns，2009 年；Deco 等人，2011 年）。神经科学研究中有大量的结果表明，神经回路是理解不同人群大脑功能差异的关键，神经回路的中断在很大程度上导致和定义大脑疾病（Insel 和 Cuthbert，2015 年；Williams，2016 年）。功能性磁共振成像 (fMRI) 是研究大脑功能和组织最常用的成像方式之一 (Ganis & Kosslyn, 2002; Lindquist, 2008; Smith, 2012)。神经影像学界对根据从 fMRI 图像得出的大脑网络预测临床结果或对个体进行分类有着浓厚的兴趣 (Kawahara 等人, 2017; Yahata 等人, 2016)。
Haikou
摘要：本文试图在分析fMRI数据中进步，以检测阿尔茨海默氏病的发作并确定疾病进展中的阶段。我们采用网络神经科学的方法来表示范围内fMRI数据阵列之间的相关性，并引入了用于网络构建和分析的新技术。在网络构建中，我们在建立节点之间建立大胆的时间序列相关性方面有所不同，从而产生拓扑和其他网络特征的变化。用于网络分析，我们采用开发的方法来建模热系统中虚拟粒子的统计集合。微型典型集合和规范合奏类似于两个不同的fMRI网络表示。在前一种情况下，每个网络中的边数差异为零，而在后一种情况下，网络集的边数差异。集合方法通过考虑与程度配置和网络熵密切相关的潜在微观特征来描述网络的宏观特性。当应用于阿尔茨海默氏症患者和对照组中的fMRI数据中时，我们的方法表明，在识别病理学变化的大脑区域以及揭示此类变化的动态方面，敏感性水平足以临床目的。