Pattern classification of brain states using fMRI

点击翻译按钮获取中文摘要

Brain-Computer Interfaces, welche die willentliche Kontrolle des funktionellen Magnetresonanztomogramms (fMRI-BCI) benutzen, erlauben Kontrolle umschriebener Regionen des gesamten Gehirns. Ein solches fMRI-BCI wurde entwickelt und erlaubt Echt-Zeit kontingente Rückmeldung und Training der Aktivität von Hirnregionen. Diese neue nicht-invasive Methode untersucht die Manipulation von lokalen Hirnprozessen als unabhängige Variable und Messung von Verhalten als abhängige Variable. Wenn die neurobiologische Grundlage einer Verhaltensstörung bekannt ist, so kann man die abnorme Hirnaktivität dieses Areals regulieren lernen. Die Effektivität der Methode des fMRI-BCIs in Klinik und Labor wurde durch einige kritische Probleme geschmälert: Hirnaktivität von vielen Hirn-Arealen wird getrennt für jede Hirnregion einzeln analysiert (univariate Analyse) und man versucht jene Region zu finden, die den gesuchten kognitiven oder emotionalen Prozess klassifizieren, also von anderen trennen kann. Diese Situation wird dramatisch verbessert, wenn multivariate Muster-Klassifikationen verwendet und die gesamte Hirnaktivität als Ganzes verarbeitet wird. Wir schlagen hier die Entwicklung und Einrichtung eines Echtzeit- Klassifikationssystems für ein fMRI-BCI vor, das viele verschiedene Hirnzustände klassifizieren kann und dafür die gesamte Hirnaktivität aus allen Hirnregionen und nicht nur einer Region verwendet. Dieses neue multivariate Klassifikationssystem soll auf zwei kognitiv-neurobiologische Fragestellungen angewandt werden: 1. Wiederherstellung (restoration) von Handbewegung nach Schlaganfall und 2. Neurobiologisch gesteuerte Lügendetektion.