XiaoMi-AI文件搜索系统
World File Search SystemfMRI
fMRI的多次采集序列：继续谨慎
fMRI的多功能或同时多层采集序列在过去十年中变得流行，部分原因是在大规模研究中采取的方法的影响，例如人类Connectome Project。但是，将这种高度加速的高分辨率序列应用于较小规模的项目可能存在明显的缺点，这在信号与噪声比，可靠性和实验能力方面存在很大的缺点。尤其是，使用较小的体素，较短的重复时间和高水平的多次加速度可能会对信号对噪声，图像伪像和腹侧脑区域的信号脱落产生强烈的负面影响。多功能序列可以是有价值的工具，尤其是对于专业应用程序，但应明智地应用于较小规模的研究，重点关注特定项目的端点，并在适当的测试和试点工作之后。
口语大脑：言语，韵律和语法的fMRI实验概论
在这项研究中，我们将概述近年来我们所做的有关语言和语音生产的神经解剖学相关性的实验工作。首先，我们将介绍与事件相关的功能磁神经成像和我们使用的实验范式的方法。然后，我们将介绍并讨论有关（1）语音运动控制，（2）发音复杂性，（3）韵律的神经解剖学相关性的实验结果，以及（4）义大利处理的神经认知底物。实验（1）和（2）表明，由SMA，运动皮层和小脑组成的预期大型运动语音网络仅在计划和执行简单的关节运动方面活跃。提高的关节复杂性会导致更集中的激活。此外，我们可以证明，只有语音运动的执行才能招募左前岛，而发音计划则没有。实验结果（3）的结果表明，控制韵律处理的横向化不是韵律（语言与情感）的功能，而是处理单元的更一般特征，例如韵律框架的大小，造成了不同皮质区域的激活。最后，在实验（4）中，我们提出了语音生产中句法处理的第一个结果。除了预期的Broca区域激活外，我们还发现了Wernicke地区和小脑中的激活。我们还找到了其他皮质区域激活的证据，这些证据少于脑力相关性的临床研究。这些领域和网络的认知相关性仍有待阐明。Q 2001 Elsevier Science Ltd.保留所有权利。Q 2001 Elsevier Science Ltd.保留所有权利。
大脑和大型fMRI数据中功能性脑网络的层次结构建模
大规模脑成像数据集的一个主要目标是提供用于研究异质弹出的资源。从这些数据集中为各个受试者提供功能性脑网络的表征将具有预测认知或临床特征的巨大潜力。我们第一次提出了一种技术，即概率的功能模式（sprofumo），该技术可扩展到英国生物库（UKB），有预期的100,000名参与者，并且在个人和人群中层次估算了层次的功能性脑网络，同时对两种信息之间的双向流量进行了影响。使用仿真，我们显示了模型的效用，尤其是在涉及显着的跨主题可变性的情况下，或者需要在网络之间划定细粒度的差异。随后，通过将模型应用于4999名UKB受试者的静止状态fMRI，我们将静止状态网络（RSN）绘制为单个受试者，其详细范围比以前在UKB（> 100 rsns）中可能绘制了，并证明这些RSN可以预测somecorimotor andsocorimotor and somecorimotor and Emperife and Elighe colesions and Level Consoge。此外，我们证明了该模型的几个优点，而不是独立的组件分析与双重回归（ICA-DR）相结合，尤其是在估计RSN的空间配置和认知性状的预测能力方面。所提出的模型和结果可以为将来从大数据中对个性化的脑功能纤维进行调查打开新的门。
共同自适应训练可以改善fMRI解码的神经反馈
对神经反馈培训研究和相关临床应用的一个重大挑战是参与者在训练过程中学习诱导特定大脑模式的困难。在这里，我们在基于fMRI的解码神经反馈（DECNEF）的背景下解决了这个问题。可以说，用于构建解码器的数据与用于神经反馈训练的数据之间的差异，例如数据分布和实验环境的差异，可能是上述参与者困难的原因。我们使用标准机器学习算法开发了一个共同适应程序。首先，我们使用以前的Decnef数据集通过模拟测试了该过程。该过程涉及一种自适应解码器算法，该算法根据其在神经反馈试验中的预测中实时更新。结果表明，在神经反馈训练期间，解码器性能有了显着改善，从而增强了学习曲线。然后，我们在Decnef培训程序中收集了实时fMRI数据，以提供概念证据证据，表明共同适应增强了参与者在训练过程中诱导目标状态的能力。因此，通过共同适应的个性化解码器可以提高Decnef培训方案的精度和可靠性，以针对特定的大脑表示，并在转化研究中产生后果。这些工具可公开提供给科学界。
存档欧弗特·Unige的认知如何体现？ fMRI ...
功能性神经影像学表明，在各种运动和认知任务中，背侧额叶区域表现出联合活动。但是，尚不清楚这些区域是否服务于多种计算独立的功能，或者是重复使用以服务高阶功能的电动机“核心过程”的基础。我们假设心理旋转能力取决于植根于这些区域内的系统发育较旧的运动过程。这一假设需要在运动计划期间招募的神经和认知资源预测看似无关的心理旋转任务的表现。为了检验这一假设，我们首先通过测量了30名健康参与者的内部触发的与外部触发的手指按压，从而确定了与运动计划相关的大脑区域。内部触发的手指压机在顶，前和枕颞区域产生了显着的激活。然后，我们要求参与者在扫描仪外执行两项心理旋转任务，包括手或字母作为刺激。顶点和前运动激活是涉及手的心理旋转时个体反应时间的重要预测指标。我们发现运动计划与字母心理旋转的性能之间没有关联。我们的结果表明，在运动计划期间招募的顶叶和前皮层的神经资源也有助于身体刺激的心理旋转，这表明这两个能力的基础是共同的核心成分。
使用实时fMRI神经反馈克劳斯（F。f。f。; Kogias，N.O。； Krentz，M。； Lührs，M。
最近已经显示，急性应力影响大型大脑网络之间的神经资源分配，尤其是执行控制网络和显着网络之间的平衡。对这种动态资源重新分配过程的适应性被认为在与压力相关的PSY-CHOPALOGY中起主要作用，这表明应力弹性可以通过在这两个网络之间自适应地重新分配神经资源的保留能力来确定。积极训练这种能力可能是增加患有与压力相关的症状学风险的个体的弹性的潜在有前途的方法。使用实时功能磁共振成像，当前的研究研究了个人是否可以学会自我调节与压力相关的大规模网络平衡。参与者参与了双向和隐式实时fMRI神经反馈范式，其中间歇性地向他们提供了视觉表示显着性和执行控制网络平均激活和执行控制网络之间的差异信号，并试图自我调节该信号。Our results show that, given feedback about their performance over three training sessions, participants were able to (1) learn strategies to differentially control the balance between SN and ECN activation on demand, as well as (2) successfully transfer this newly learned skill to a situation where they (a) did not receive any feedback anymore, and (b) were exposed to an acute stressor in form of the prospect of a mild electric stimulation.当前的研究构成了基于与压力相关的大规模网络平衡的神经反馈培训的第一大成功证明 - 一种新颖的方法，一种新的方法有可能培训对现实生活中压力源的中心反应的控制，并可能为未来的临床干预措施奠定基础，以促进越来越多的弹性。
在神经反馈任务期间同时进行EEG-FMRI，这是多模式数据集成的脑成像数据集
组合脑电图和fMRI允许整合精细的空间和准确的时间分辨率，但如果实时执行以实现神经反馈（NF）循环，则会引起许多挑战。在这里，我们描述了在运动成像NF任务中同时获得的脑电图和fMRI的多模式数据集，并补充了MRI结构数据。这项研究涉及30名健康志愿者接受五次培训。我们在以前的工作中展示了同时EEG-FMRI NF的潜力和优点。在这里，我们说明了可以从该数据集中提取的信息的类型并显示其潜在用途。这代表了NF的EEG和fMRI的第一个同时记录之一，在这里我们提出了第一个开放访问BI-MODAL模式NF数据集，该数据集整合了EEG和FMRI。我们认为，这将是（1）多模式数据集成的进步和测试方法，（2）提高所提供的NF质量，（3）改善在MRI下获得的EEG的方法论，并（4）使用多模式信息研究了运动象征的神经标志物。
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]。