構(gòu)建腦磁圖功能網(wǎng)絡(luò)時,一般選取各腦區(qū)功率最強(qiáng)的源信號代表其神經(jīng)活動,這將造成信息損失.針對此問題,提出了2種改進(jìn)方案:基于疊加平均的方法和基于聚類的方法.為了驗證上述方案,選取了51例被試任務(wù)狀態(tài)下的腦磁數(shù)據(jù),對其各頻段利用最大功率、疊加平均、聚類3種方法進(jìn)行信號提取,然后對以其構(gòu)建的腦功能網(wǎng)絡(luò)進(jìn)行k均值聚類分析,此外,對以上3種方法構(gòu)建的腦網(wǎng)絡(luò)特征進(jìn)行分析比較.結(jié)果表明:疊加平均方法的準(zhǔn)確率最高、最大功率次之,聚類方法準(zhǔn)確率最低;腦網(wǎng)絡(luò)特征分析結(jié)果發(fā)現(xiàn)基于疊加平均和最大功率方法構(gòu)建的大腦網(wǎng)絡(luò)具有較強(qiáng)的小世界屬性,而使用聚類方法構(gòu)建的大腦網(wǎng)絡(luò)其小世界屬性較弱.基于本研究初步得出結(jié)論,采用疊加平均和最大功率信號提取方法構(gòu)建腦磁圖腦網(wǎng)絡(luò)具有可行性. 

【文章來源】：北京工業(yè)大學(xué)學(xué)報. 2020,46(07)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

MEG腦網(wǎng)絡(luò)構(gòu)建框圖

源信號的重建過程基于FieldTrip(http://www.fieldtriptoolbox.org/)工具包完成,源信號重建流程如圖2所示.源重建流程圖中調(diào)用的函數(shù)都來自FieldTrip工具包. 每個被試者的MRI圖像都是不同的,利用ft_read_mri函數(shù)讀取被試者的磁共振圖像,然后通過ft_prepare_headmodel函數(shù)構(gòu)建源重建過程中需要的體積傳導(dǎo)模型,也稱為頭模型,如圖3所示. 利用ft_timelockanalysis函數(shù)計算出協(xié)方差矩陣. 最后在ft_sourceanalysis函數(shù)的method屬性中選擇線性約束最小方差(linearly constrained minimum variance,LCMV)方法[18]計算得到beamformer權(quán)重矩陣.

源重建流程圖中調(diào)用的函數(shù)都來自FieldTrip工具包. 每個被試者的MRI圖像都是不同的,利用ft_read_mri函數(shù)讀取被試者的磁共振圖像,然后通過ft_prepare_headmodel函數(shù)構(gòu)建源重建過程中需要的體積傳導(dǎo)模型,也稱為頭模型,如圖3所示. 利用ft_timelockanalysis函數(shù)計算出協(xié)方差矩陣. 最后在ft_sourceanalysis函數(shù)的method屬性中選擇線性約束最小方差(linearly constrained minimum variance,LCMV)方法[18]計算得到beamformer權(quán)重矩陣.當(dāng)確定beamformer的權(quán)重后,就可以重建每個體素的時間序列,傳感器的非均勻投射可以在源信號上得到顯示,權(quán)值隨深度增加,而傳感器的噪聲保持不變. 為了消除這固有的偏差,在計算源信號之前需要對beamformer的權(quán)重利用它本身的向量范數(shù)進(jìn)行歸一化. 文獻(xiàn)[19]表明α頻帶最活躍的區(qū)域是視覺皮層和頂葉區(qū)域,β頻帶的功能連接在感覺運動區(qū)域最強(qiáng)[20],γ頻帶在聽覺皮層區(qū)域[21-22]和視覺皮層區(qū)域[23]有功能性作用. 因本研究是基于運動、工作記憶和語言處理3種任務(wù)態(tài)的,而這3種任務(wù)狀態(tài)與視覺皮層、聽覺皮層以及運動皮層區(qū)域最為相關(guān),因此,在α(8～13 Hz)、β(13～30 Hz)、γ(30～48 Hz)以及全頻帶(1～48 Hz)共4個頻帶對體素的時間序列進(jìn)行分析.

【參考文獻(xiàn)】：
期刊論文
[1]人腦連接組研究:腦結(jié)構(gòu)網(wǎng)絡(luò)和腦功能網(wǎng)絡(luò)[J]. 梁夏,王金輝,賀永.  科學(xué)通報. 2010(16)



本文編號：3054847