使用非侵入性的大脑记录来描述深层结构的活动

许多神经生理过程，如记忆、感觉和情感，以及阿尔茨海默氏症、抑郁症和自闭症等疾病，都是由位于大脑皮层深处的大脑区域介导的。在这些大脑深部区域进行毫秒级非侵入性成像的技术是有限的。现在，一个包括A*STAR研究人员在内的国际团队已经证明，脑磁图(MEG)和脑电图(EEG)可以用来描述这些脑深部结构的快速时间尺度活动。

最近，a *STAR的帕维特拉·克里希纳斯瓦米(Pavitra Krishnaswamy)在一个跨越美国、瑞典和芬兰的研究团队中取得了突破，开发了一种统计机器学习方法解决深大脑活动具有高颞和空间分辨率。研究人员使用了来自健康志愿者的模拟测试用例和实验MEG / EEG录音，以证明它们的方法在皮质结构中的并发活动中准确地映射出这种深​​脑活动。

深脑活动通常产生弱的MEG / EEG信号，这些信号很容易被皮质活动引起的响亮信号淹没。因此，表征深脑源的表征变得类似于'在干草堆中挑选针头。而不是仅仅依靠“响亮”的脑波是如何​​，该团队利用了深入大脑活动在位于头部定位的多个MEG / EEG传感器上产生明显的空间模式。

稀疏性的概念 - 参考序列和协调模式中大脑'火灾中的神经元的子集的限量 - 也支持团队的研究。如果所有的脑皮质克里希纳斯瓦米说，大脑皮层的信号会“完全削弱”大脑深处的信号。然而，当只有有限数量的大脑皮层区域同时活跃时，就有可能训练出一种算法，让它看穿大脑深处。“当大脑皮层只有一小部分活跃时，即使它看起来比正在进行的深层活动更响。脑活动时，可以将数据转换到一个空间，在那里，较深的信号也有明显的‘声音’。”

Krishnaswamy的一些合作者现在将寻求验证可能的神经科学和临床应用的方法。她将研究进一步开发邻近应用程序的统计机器学习方法的方法医学图像分析其目标是解决低信噪比特征，提高重建质量，最终减少诊断错误。

---

---