Dynamic state allocation for MEG source reconstruction.
Dynamic state allocation for MEG source reconstruction.
复制标题
DOI：
10.1016/j.neuroimage.2013.03.036
复制
发表时间：
2013-08-15
期刊：
影响因子：
5.7
通讯作者：
Rezek, Iead
中科院分区：
文献类型：
--
作者：
Woolrich, Mark W.;Baker, Adam;Luckhoo, Henry;Mohseni, Hamid;Barnes, Gareth;Brookes, Matthew;Rezek, Iead
我们对人脑神经元活动动力学的理解仍然有限，部分原因是缺乏足够的方法从非侵入性电生理数据重建神经元活动。在这里，我们提出了一种新的自适应时变源重建方法，可应用于脑磁图（MEG）和脑电图（EEG）数据。该方法的基础是隐马尔可夫模型（HMM），推断特定状态在传感器空间数据中重新出现的时间点。HMM推理发现100 ms尺度上的短暂状态。有趣的是，这与EEG微观状态处于同一时间尺度上。由此产生的状态时间过程可用于智能地汇集这些不同且短暂的时间段内的数据。这用于计算用于波束成形的时变数据协方差矩阵，从而产生可以将其空间滤波特性调谐到不同时间点所需的那些空间滤波特性的源重建方法。证明的原理与模拟数据，我们证明了改进的方法应用于脑磁图。新的自适应时变MEG源重建方法HMM在与EEG微状态相同的尺度上推断重现的短暂状态将源重建属性转换为不同时间点所需的属性改进来自MEG数据的高时间分辨率信息的空间定位
Our understanding of the dynamics of neuronal activity in the human brain remains limited, due in part to a lack of adequate methods for reconstructing neuronal activity from noninvasive electrophysiological data. Here, we present a novel adaptive time-varying approach to source reconstruction that can be applied to magnetoencephalography (MEG) and electroencephalography (EEG) data. The method is underpinned by a Hidden Markov Model (HMM), which infers the points in time when particular states re-occur in the sensor space data. HMM inference finds short-lived states on the scale of 100 ms. Intriguingly, this is on the same timescale as EEG microstates. The resulting state time courses can be used to intelligently pool data over these distinct and short-lived periods in time. This is used to compute time-varying data covariance matrices for use in beamforming, resulting in a source reconstruction approach that can tune its spatial filtering properties to those required at different points in time. Proof of principle is demonstrated with simulated data, and we demonstrate improvements when the method is applied to MEG. Novel adaptive time-varying approach to MEG source reconstruction HMM infers reoccurring short-lived states on the same scale as EEG microstates Tunes source reconstruction properties to those needed at different points in time Improves spatial localisation of high temporal resolution information from MEG data
登录
查看更多内容
影响因子：
5.7
作者：
Luckhoo, H.;Hale, J. R.;Stokes, M. G.;Nobre, A. C.;Morris, P. G.;Brookes, M. J.;Woolrich, M. W.
通讯作者：
Woolrich, M. W.
影响因子：
5.7
作者：
Britz, Juliane;Van De Ville, Dimitri;Michel, Christoph M.
通讯作者：
Michel, Christoph M.
影响因子：
5.7
作者：
Friston, Karl J.;Harrison, Lee;Mattout, Jeremie
通讯作者：
Mattout, Jeremie
DOI：
10.1098/rstb.2005.1649
发表时间：
2005-05-29
影响因子：
6.3
作者：
Koenig, T;Studer, D;Strik, WK
通讯作者：
Strik, WK
影响因子：
25
作者：
Hunt, Laurence T.;Kolling, Nils;Soltani, Alireza;Woolrich, Mark W.;Rushworth, Matthew F. S.;Behrens, Timothy E. J.
通讯作者：
Behrens, Timothy E. J.