Цифровой двойник фМРТ на основе ЭЭГ
В настоящее время электроэнцефалография (ЭЭГ) и функциональная магнитно-резонансная томография (фМРТ) являются двумя наиболее часто используемыми методами неинвазивной регистрации активности мозга. Основанные на совершенно разных принципах, эти две технологии неинвазивного функционального картирования имеют взаимодополняющие свойства пространственного и временного разрешения. Однако, как следует из последних исследований, связь между BOLD сигналом, регистрирующем локализованный функциональный гемодинамический ответ, и многоканальными ЭЭГ измерениями электрической активности мозга поддается моделированию при помощи методов машинного обучения.
Рис.1. Моделирование базальными ганглиями различных областей мозга. (Источник: Volkmann, J., Daniels, C., & Witt, K. (2010). Neuropsychiatric effects of subthalamic neurostimulation in Parkinson disease. Nature Reviews Neurology, 6(9), 487-498.)
Данный проект направлен на создание новой технологии картирования функции глубинных структур головного мозга на основе компактного и доступного электроэнцефалографа (ЭЭГ) в сочетании с алгоритмами машинного обучения и нейросетевыми моделями.
На данный момент разработана модель для преобразования многоканальной электрической активности в функциональный гемодинамический сигнал (BOLD-сигнал) активности ряда подкорковых структур, в том числе ядер таламуса, миндалевидного тела, бледного шара, хвостатого ядра, прилежащего ядра и скорлупы. Детали архитектуры модели приведены ниже.
На представленном рисунке 2 показаны результаты с топографиями найденных ключевых источников, обнаруженных в результате обучения модели.
Рис. 2. Топографии найденных источников с помощью разработанной модели.
Учитывая быстрое развитие технологии фМРТ нейрообратной связи, а также продемонстрированный нами ранее положительный эффект от сокращения задержки обратной связи (Belinskaya et. al., 2021), можно сделать вывод, что использование ЭЭГ→BOLD решения позволит с опережением управлять гемодинамикой отдельных зон коры или подкорковых структур.
В перспективе это позволит полноценно реализовать принцип PID (Proportional Integral & Derivative) управления при выработке навыков саморегуляции и найдет применение при формировании априорных пространственных распределений для повышения качества решения обратной задачи ЭЭГ.
Статья по проекту:
1. Kovalev, A., Mikheev, I., & Ossadtchi, A. (2022). fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships. arXiv preprint arXiv:2211.02024. https://arxiv.org/abs/2211.02024
Нашли опечатку?
Выделите её, нажмите Ctrl+Enter и отправьте нам уведомление. Спасибо за участие!
Сервис предназначен только для отправки сообщений об орфографических и пунктуационных ошибках.