人类ECoG活动的动态网络建模与降维( Dynamic network modeling and dimensionality reduction for human ECoG activity )

Y Yang O Sani EF Chang MM Shanechi electrocorticogram (ECoG) linear state-space model dynamic models dimensionality reduction neurotechnology

目的：建立多位点皮层电图（ECoG）活动的动态网络模型有助于研究人的神经表征和神经技术的设计,为ECoG的临床应用提供依据。然而，到目前为止，动态网络模型主要集中在棘波记录上，而不是ECoG。ECoG记录的动态网络模型是一个网络，它既要描述其时间动态，又要考虑其内在的空间和时间相关性，实现降维。方法：建立ECoG功率特征的线性和非线性动力学模型，并综合评价其预测特征动力学的准确性。线性状态空间模型提供了一种通用的线性动态网络模型，通过描述高维信号的低维潜在状态来实现降维。因此，我们研究了LSSMs能否和如何预测ECoG动力学和实现降维。此外，我们还对一个通用的ECoG非线性动力学模型--径向基函数(RBF)自回归(AR)模型进行了拟合，以研究LSSM的线性形式对ECoG动力学预测的影响。最后，我们研究了跨不同频段的ECoG功率特征在动力学和可预测性方面的差异。我们使用数值模拟和10例癫痫患者的大规模ECoG活动记录来评估模型。结果：首先，我们发现LSSMs可以利用潜在状态来预测ECoG功率特征的动态变化，其维数比特征个数低得多。第二，与LSSM相比，非线性RBF-AR模型并不能提高对人类ECoG功率特征的预测，从而提示线性假设在描述ECoG动力学方面的有用性。最后，与其他频段相比，1-8赫兹(Delta+Theta)的ECoG功率特征的动力学可以明显更好地预测，并且更多地以慢动力学为主。意义：我们的结果提示，具有低维潜伏状态的LSSMs可以捕捉人类大规模ECoG功率特征中的重要动态，从而实现动态建模和降维。这些结果对于研究人脑功能和功能障碍，以及未来设计用于解码和刺激的闭环神经技术具有重要意义。2018年IOP出版有限公司。

SciDown文献求助系统（解决99%问题） Public Download NCBI ResearchGate 掌桥科研