XiaoMi-AI文件搜索系统
World File Search System间脑
使用脑磁图源级长程相位耦合模式解码工作记忆任务条件
摘要 目的。本研究的目的是通过机器学习方法识别受试者之间共享的相位耦合模式，该方法利用来自工作记忆 (WM) 任务的源空间脑磁图 (MEG) 相位耦合数据。事实上，神经振荡的相位耦合被认为是远距离大脑区域之间通信的关键因素，因此在执行认知任务（包括 WM）时至关重要。以前研究认知任务期间相位耦合的研究通常集中在几个先验选择的大脑区域或特定频带上，并且已经认识到需要数据驱动的方法。机器学习技术已成为分析神经成像数据的宝贵工具，因为它们可以捕捉多元信号分布中的细粒度差异。在这里，我们期望这些应用于 MEG 相位耦合的技术可以揭示个体之间共享的 WM 相关过程。方法。我们分析了作为人类连接组项目的一部分收集的 WM 数据。当受试者 (n = 83) 在两种不同条件下执行 N -back WM 任务时收集 MEG 数据，即 2-back（WM 条件）和 0-back（控制条件）。我们估计了这两种条件以及 theta、alpha、beta 和 gamma 波段的相位耦合模式（多元相位斜率指数）。然后使用获得的相位耦合数据训练线性支持向量机，以便使用跨受试者交叉验证方法对受试者正在执行的任务条件进行分类。分类是根据来自各个频带的数据和所有频带的组合（多频带）分别进行的。最后，我们通过特征选择概率评估了不同特征（相位耦合）对分类的相对重要性。主要结果。分别根据 theta（62% 准确率）和 alpha 波段（60% 准确率）中的相位耦合模式成功地对 WM 条件和控制条件进行了分类。重要的是，多波段分类表明，不仅在 theta 和 alpha 波段，而且在 gamma 波段中的相位耦合模式也与 WM 处理有关，分类性能的提高 (71%) 证明了这一点。意义。我们的研究使用 MEG 源空间功能连接成功解码了 WM 任务。我们的方法结合了跨主题分类和我们小组最近开发的多维指标，能够检测到个体之间共享的连接模式。换句话说，结果可以推广到新的个体，并允许对与任务相关的相位耦合模式进行有意义的解释。
布莱恩·纳特教授
Tarter, D., Nutter, B. (2022)。Haar 小波树的快速编码。IEEE 数据压缩会议论文集。Parmar, H.、Nutter, B.、Long, R.、Antani, S.、Mitra, S. (2021)。使用 t-SNE 可视化 fMRI 的时间脑状态变化。医学影像杂志，8 (4)。Parmar, H.、Nutter, B.、Long, R.、Antani, S.、Mitra, S. (2020)。使用深度学习 3D-CNN 对 fMRI 数据进行阿尔茨海默病的时空特征提取和分类。医学影像杂志。Nutter, C.、Nutter, B. (2020)。在竞争性录取专业中取得成功。全国学生保留研讨会论文集。学生保留和数据交换联盟。 Bazgir, O.、Walden, E.、Nutter, B.、Mitra, S. (2020)。一种用于量化代谢物浓度的新型数据驱动磁共振波谱信号分析框架。算法。Johnston, D.、Nutter, B.、Gale, R. (2020)。通过新颖的 S 参数测量技术进行 IC 辨别。IEEE 国际仪器和测量会议论文集。Parmar, H.、Mitra, S.、Nutter, B.、Long, R.、Antani, S. (2020)。使用 t-SNE 可视化和检测大脑状态的变化。IEEE SSIAI 论文集。Parmar, H.、Nutter, B.、Mitra, S.、Long, R.、Antani, S. (2020)。用于阿尔茨海默病分类的 fMRI 的体积 3D CNN 深度学习。 SPIE 医学成像论文集。Rizkalla, M.、Patnala, M.、Yadav, A.、Williams, J.、Gopinath, A.、Nutter, B.、Ytterdal, T. (2020)。GaN TFET、FinFET 和 GNRFET 技术中 8T 静态 RAM 单元的低功耗高速性能——综述。固态电子学，163。Parmar, H.、Nutter, B.、Long, R.、Antani, S.、Mitra, S. (2019)。基于主成分分析从 4D fMRI 数据中自动消除信号漂移和全局波动作为 fMRI 数据分析的主要预处理步骤。SPIE 医学成像论文集。Gupta, S.、Petrie, C.、Rao, V.、Nutter, B. (2018)。智能校园 HVAC 系统的节能控制方法。IEEE 绿色技术会议论文集。 Parmar, H., Liu, X., Nutter, B., Mitra, S. (2018)。f-SIM：使用数字脑模型和建模噪声的准现实 fMRI 仿真工具箱。IEEE SSIAI 2018 论文集。Bazgir, O., Mitra, S., Nutter, B., Walden, E. (2018)。磁共振波谱中的全自动基线校正。IEEE SSIAI 2018 论文集。Liu, X., Nutter, B., Mitra, S. (2018)。用于研究稳健功能连接的人类大脑高同质性功能分区。IEEE SSIAI 2018 论文集。专利
一生中大脑结构的性别差异
大脑的神经解剖特征表现出女性和男性之间的差异，包括健康和病理状况[1]。Bethlehem等。（2022）最近根据磁共振成像（MRI）数据开发了人类脑图，从概念后115天到100年，超过100,000名参与者的数据[2]。这项研究发现，雄性和女性一生的脑组织量显着不同，并且在患有精神病和神经系统疾病的人的大脑生长模式中也可以看到这些差异。基于这种生长图轨迹，与女性相比，男性在MRI表型之间具有较大的脑组织体积和更显着的方差。了解生物学对脑发育的影响至关重要，因为它可以显着影响不同的精神病和神经系统患者的身心健康。已经进行了许多研究，以比较健康男性和女性之间的脑量。这些研究一直发现，男性倾向于具有较大的总脑体积（TCV），总灰质体积（GMV），皮层灰质体积（SGMV），总白质体积（WMV）和脑脊液体积（CSFV）。另一方面，女性通常表现出较高的平均皮质厚度（CTH）[3]。Abe等。 （2010）检查了21至71岁年龄段的个体人群，表明男性拥有更大的GMV和WMV [4]。 与女性相比，男性随着衰老的衰老表现出更高的GMV和WMV下降率。Abe等。（2010）检查了21至71岁年龄段的个体人群，表明男性拥有更大的GMV和WMV [4]。与女性相比，男性随着衰老的衰老表现出更高的GMV和WMV下降率。这表明男性和女性具有不同的大脑结构，与年龄相关的大脑变化的模式也不同。男性和女性之间大脑结构终生差异背后的确切病因仍然不完全理解。新兴证据表明，这些变化可能具有发育起源。某些研究已经确定了男性和女性脑细胞中不同的表型，表明性别染色体在基于性别的大脑出现中的关键作用不同。例如，体外研究表明，具有XX和XY染色体构型的胚胎脑细胞表现出不同的行为[5]。Xy细胞培养物表明与XX对应物相比，产生更高数量的多巴胺神经元的倾向[5]。这强调了大脑结构中性别差异的遗传起源。与这种观点一致，与女性同行相比，男性婴儿的总GMV和WMV较大[6]。此外，这些差异持续到青春期，男性表现出更大的GMV，WMV和TCV [7]。这些发现强调了性别染色体在男性和女性之间脑差异的发展和延续的意义。虽然许多研究提供了支持男性和女性之间大脑差异的遗传起源的大量证据，但大量的研究表明，性激素对大脑发育的影响很大。先前的研究表明，睾丸激素充当人类胎儿脑编程系统，导致大脑结构和功能的胎儿二态性