一种多特征方法,用于对使用MEG(脑磁图)获取的听觉事件相关场进行分类分析
《Journal of Neuroscience Methods》:A multi-feature approach to the classification analysis of auditory event-related fields acquired with MEG
【字体:
大
中
小
】
时间:2026年03月31日
来源:Journal of Neuroscience Methods 2.3
编辑推荐:
托马什·哈沃罗(Tomasz Hawro)|埃韦利娜·托马纳(Ewelina Tomana)|莱因哈德·科尼希(Reinhard K?nig)|切扎里·谢卢日茨基(Cezary Sielu?ycki)波兰弗罗茨瓦夫科技大学人工智能系摘要背景:在听觉脑磁图(MEG)研究中,通常会寻
托马什·哈沃罗(Tomasz Hawro)|埃韦利娜·托马纳(Ewelina Tomana)|莱因哈德·科尼希(Reinhard K?nig)|切扎里·谢卢日茨基(Cezary Sielu?ycki)
波兰弗罗茨瓦夫科技大学人工智能系
摘要
背景:
在听觉脑磁图(MEG)研究中,通常会寻找在不同实验条件下测量得到的事件相关场(ERFs)之间的差异,以及人脑两个半球之间的差异。这种区分通常基于单个ERF参数,例如听觉波形中最显著的峰值M100。
新方法:
在这里,我们引入了一种多特征方法来区分这些ERFs,该方法从ERFs中提取多种参数作为机器学习(ML)模型的输入。
结果:
我们将这种方法应用于一项研究中的示例性MEG数据,该研究探讨了频率调制(FM)扫频的上下分类,以寻找左右半球MEG信号之间的差异以及两种实验条件(被动聆听与主动分类)之间的差异。我们在新的多变量分类方法和有限的样本量的限制下,获得了与早期使用相同实验范式的研究结果互补的结果。
与现有方法的比较:
我们认为,诱发的脑反应的复杂特性支持使用新的信号量化指标的多特征方法,而不仅仅是常用的方法。然而,我们也批判性地认识到ML策略在处理规模有限的MEG数据集时的局限性。
结论:
结论:我们得出结论,神经科学实验中典型的样本量限制了ML分类的实用性。我们还指出了为了增加数据集规模而采用的自助法(bootstrapping)的一些缺点。
引言
脑磁图(MEG,H?m?l?inen等人,1993年;Hansen等人,2010年;Supek和Aine,2014年;Hari和Puce,2017年)记录的刺激诱发的磁场提供了具有毫秒级高时间分辨率的脑活动时间过程信息,这与它的电学对应物脑电图(EEG,Hari和Puce,2017年;Schomer和Lopes da Silva,2017年)一起,是研究人类脑活动的现有方法中无与伦比的。MEG记录的分析可能是一项具有挑战性的任务,因为由于数据的多维性、低信噪比以及MEG波形的非平稳性,很难从发现中得出明确的结论或解释。
在过去的几年中,机器学习(ML)和深度学习(DL)方法在数据分析领域引发了革命。它们通过检测隐藏模式的能力,在解决问题方面显著优于标准分析技术。ML与传统计算算法的不同之处在于,ML不是一组计算机必须执行的明确编程指令来解决问题。相反,它允许计算机处理输入数据以预测一定类别或值范围内的输出。这一特性在分析通常在人类脑活动研究中获得的复杂数据集时可能变得越来越重要。事实上,研究人员最近已成功将ML技术应用于MEG研究,例如在解决人类物体识别(Cichy等人,2014年;Kaneshiro等人,2015年;Csaky等人,2023年)、区分阿尔茨海默病患者和对照组(Gouw等人,2021年)、创伤后应激障碍的分类(Zhang等人,2020年)或双相抑郁与单相抑郁的分类(Jiang等人,2020年)等方面。
在标准MEG分析中,数据是在大量(通常约为100次)单次试验的基础上平均得到的,从而产生了所谓的事件相关场(ERF)的试验平均波形,其特征是不同的皮层生成峰值和低谷——见图1和H?m?l?inen等人,1993年;N??t?nen和Picton,1987年。由于在这项工作中,我们讨论了将ML分类应用于从人类听觉皮层(AC)获取的MEG数据,因此我们仅关注长潜伏期的听觉ERFs。它们具有正负极性,并依次标记为P50、M100(或N100m)、P200等,数字表示刺激开始后大约的峰值潜伏时间(以毫秒为单位)。最显著的ERF偏转是M100,它大约在刺激开始后100毫秒出现。M100的峰值潜伏时间和峰值幅度因受试者而异,潜伏时间大约在70毫秒到120毫秒之间,幅度从不到100 fT到大约800 fT不等,并且在大脑的两个半球和不同的实验条件下也可能有所不同。此外,M100还取决于刺激的物理参数,如强度、频率或刺激持续时间,并且对刺激开始间隔(SOI)非常敏感,即两个连续刺激之间的时间间隔。M100的SOI依赖性在研究神经适应作为感觉记忆的表现方面尤为重要(参见例如Lu等人,1992年;Wang等人,2008年;Zacharias等人,2012年;Hajizadeh等人,2022年;Dar等人,2025年)。
ERFs的分析通常集中在不同偏转的峰值潜伏时间和峰值幅度上,较少关注整个波形的时间过程。在这项工作中,我们使用一个示例性的听觉MEG实验,提出不仅要关注单个时间点(如M100的峰值潜伏时间),还要关注刺激开始后几百毫秒时间窗口内整个时间序列的形态。
我们使用了一个MEG实验的数据,该实验研究了单向频率调制(FM)扫频的分类的半球侧化(K?nig等人,2008年)。FM扫频自然分为两类声音,一类频率单调上升,另一类频率单调下降,因此可以被认为是研究类别形成背后神经机制的最佳非语音声音。值得注意的是,FM分类不受其他刺激参数(如频率调制范围、扫频速度或刺激持续时间)变化的影响。人类听觉皮层对FM刺激的反应是使用EEG、MEG和功能性磁共振成像(例如Sams和N??t?nen,1991年;Pardo等人,1999年;Heinemann等人,2010年;Angenstein和Brechmann,2013年;Okamoto和Kakigi,2016年;Brechmann和Angenstein,2019年;Stadler等人,2023年)进行的大量研究的主题。
在K?nig等人(2008)的工作中,他们仅使用了相对简单的(标准)测量方法,如M100峰值幅度、峰值潜伏时间和波形短时间间隔内的积分面积,没有应用任何机器学习或人工智能工具。我们假设,像传统上应用于MEG分析的这种有限数量的测量方法可能不足以得出稳健的结论,即这些测量可能只检测到了某些方面,而可能忽略了其他隐藏的方面。在这里,我们旨在采取一种更全面的方法,分析MEG波形的整个形态。请注意,所提出的分析程序的基本机制不仅限于这项特定的MEG研究,也应适用于EEG。尽管本研究基于MEG记录,但所提出的框架原则上也可以转移到EEG上,主要调整限于预处理阶段。从概念上讲,方法论不需要根本性的变化,因为特征提取和分类程序是模式独立的。然而,与不受干扰地穿过头骨的磁场不同,电位会受到体积传导的影响。这种现象显著影响了整体信号质量,因此需要定制的伪迹剔除和更仔细的预处理策略。
章节片段
脑磁图数据
MEG信号来自16名听力正常的受试者(平均年龄30岁,6名男性,10名女性),使用的是148传感器的全头磁力计(Magnes 2500WH,4-D Neuroimaging,美国圣地亚哥)。每位受试者都签署了知情同意书,该研究获得了马格德堡奥托·冯·格里克大学伦理委员会的批准(编号74/2,2005年6月11日)。
实验中使用的声学刺激包括32个FM扫频,其中16个频率上升,16个频率下降
讨论
我们提出了一种通过多特征ML分类来精细分析MEG波形复杂特征的方法。我们主张超越基于相对较少标量特征(如M100峰值幅度或其潜伏时间)的标准分析的局限性,从而使分析基于整个波形,而不仅仅是基于非常有限的选定特征。我们已经将这种多特征方法应用于评估
CRediT作者贡献声明
托马什·哈沃罗(Tomasz Hawro):撰写——审阅与编辑、撰写——原始草稿、可视化、验证、软件、方法论、调查、形式分析、数据管理、概念化。埃韦利娜·托马纳(Ewelina Tomana):撰写——审阅与编辑、撰写——原始草稿、可视化、监督、软件、方法论、调查、形式分析、数据管理、概念化。莱因哈德·科尼希(Reinhard K?nig):撰写——审阅与编辑、撰写——原始草稿、验证、监督、项目管理,
致谢
托马什·哈沃罗和埃韦利娜·托马纳对这项工作的贡献是平等的,因此按字母顺序列出。所有作者均声明没有利益冲突。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号