电生理源成像通过使用受神经质量模型约束的深度神经网络改善空间和时间脑动力学

已经有许多尝试绘制大脑中的时空电活动图，目的是绘制大脑的功能和功能障碍以及协助管理大脑疾病。 在这里，我们提出了一种非常规的基于深度学习的源成像框架 (DeepSIF)，该框架可从无创高密度脑电图 (EEG) 记录中提供对潜在大脑动力学的稳健而精确的时空估计。 DeepSIF 使用生物物理模型生成的合成训练数据，这些模型可以模拟大脑的中尺度动力学。 DeepSIF 网络隐含地学习嵌入真实训练数据中的底层脑源的丰富特征，这避免了通常与传统源成像方法中常见的优化问题的先验公式和调整相关的并发症。 DeepSIF 性能通过一系列数值实验进行评估。 然后，对 20 名健康受试者进行成像，以使用三个公共数据集评估他们的感官和认知大脑反应。 最后，通过将 DeepSIF 与侵入性测量、手术切除结果以及由 20 名耐药性癫痫患者组成的队列的结果进行比较，对 DeepSIF 进行了严格验证。 DeepSIF 表现出出色而稳健的性能。 它产生的结果符合当前关于感觉和认知信息处理的神经科学知识，以及关于致癫痫组织的位置和范围的临床发现。 作为数据驱动的成像框架，DeepSIF 方法可以实现大脑中时空动力学的高分辨率功能成像。 这表明它对神经科学研究和临床应用具有广泛的适用性。

来源和详细信息：
https://www.pnas.org/doi/full/10.1073/pnas.2201128119