近日，来自HSE认知神经科学研究所的研究人员提出了一种处理脑磁图（MEG）数据的新方法，该方法有助于找到更高精度的皮质激活区域。该方法可用于基础研究和临床实践，以诊断广泛的神经系统疾病并为患者进行脑部手术做好准备。描述该算法的论文发表在《NeuroImage》杂志上。

磁脑电图（MEG）是一种基于测量由大脑电活动引起的非常弱的磁场（比地球磁场弱几个数量级）的方法。使用MEG时，研究人员面临着一项复杂的任务，即仅对头部周围的传感器进行测量时，就必须了解大脑内部哪些区域处于活动状态。这个问题被称为“反问题”，从根本上讲没有通用的解决方案：任何一组测量结果都可以通过皮层上神经活动源的无数种不同配置来解释。

为了使MEG的应用切实可行，使用了特殊的数学方法将传感器信号转换为皮层活动图。这些方法可以分为两类。作为所谓的“全局”方法的一部分，基于对大脑活动的广义先验假设，缩小了反问题的众多可能解决方案。在这些约束条件下，研究人员寻找皮质中可解释测量数据的来源分布。 “本地”方法，包括论文中描述的算法（ReciPSIICOS），旨在寻找单独的来源，然后才创建完整的大脑活动图像。

ReciPSIICOS使用自适应波束形成器（BF）-一种处理传感器测量值的方法，该方法可以检测目标神经元群体的活动信号。为此，它尝试使其他来源的信号静音，而不是像“全局”方法那样使所有其他来源的信号静音，而是仅使当前处于活动状态的信号静音。当仅抑制活动信号时，与“全局”方法相比，此方法能够在活动可视化中提供更高的保真度。但是，该方法还可以抑制与其他大脑区域的神经元群体同时激活的神经元集成体所产生的目标信号。在现实生活中，这种相关性反映了神经元种群之间的相互作用，这是大脑的固有属性，研究人员必须寻找克服这一障碍的方法。

有关活动神经元种群及其相互作用性质的信息被编码在特殊的协方差矩阵中，该矩阵可以根据传感器数据进行计算。波束成形算法使用此矩阵来确定应抑制哪些源。严格来说，这种方法仅在源不交互时才适用：有关这种交互的信息也包含在相关矩阵中，并对波束赋形算法的性能产生负面影响。研究人员使用观察到的数据模型和相关矩阵模型，开发了一种数学算法，该算法能够从相关矩阵中删除有关源交互作用的信息。这样，他们将波束形成方法的适用范围扩展到了具有同步神经元源的环境，并在可视化交互的神经元群体中提供了必要的精度。

“脑磁图技术结合了记录神经元活动时间演变的精确方面的能力和定位活动神经元群体的潜在高保真度的能力。第一个特征来自电活动的记录，其变化速度明显快于功能磁共振成像所利用的血液动力学反应为了实现空间定位的高精度，需要复杂的数学方法，ReciPSIICOS和PSIICOS方法家族是旨在提高MEG模式的空间分辨率以检测活动和相互作用的神经元群体的数学算法的一个示例”，文章作者，HSE生物电接口中心主任Alexey Ossadtchi博士说。

为了评估算法的性能，研究人员首先生成了一个模拟传感器实际接收到的信号的数据集，并在其上测试了四种方法：两种类型的ReciPSIICOS和两种先前开发的算法（线性约束最小方差（LCMV）波束形成器，和最小范数估计（MNE）方法）。在信号之间没有相关性的情况下，LCMV和两种ReciPSIICOS方法都可以正常工作，但是当存在相关性时，ReciPSIICOS处理任务的能力要比其前任更好。在用于正向建模精度的压力测试下，结果相似：ReciPSIICOS被证明对所使用模型的不准确性较不敏感，这在实践中是不可避免的。学者们还通过一些实际的MEG数据集证明了该新方法的可操作性和高性能特征，这些数据集的特征在于存在同步神经元源，而传统的波束形成算法无法对其进行适当处理。

资讯出处：Researchers find a way to increase spatial resolution in brain activity visualization

原始出处：Aleksandra Kuznetsova et al, Modified covariance beamformer for solving MEG inverse problem in the environment with correlated sources, NeuroImage (2020). DOI: 10.1016/j.neuroimage.2020.117677

本文来源自生物谷，更多资讯请下载生物谷APP(http://www.bioon.com/m/)