跳到正文

算法、任务与模态

fMRI 最新动态

fMRI 研究索引；按可核对的标签归档，不以热度评价质量。

149 条精选近 30 天 5 条共收录 209 条

更新

精选归档 · 第 8 页

12月31日周一第 141–149 条
  1. OpenReview · EEG70

    通过传递熵展开识别复杂系统中的信息子图

    基于摘要分析。该研究面向复杂系统中的多变量信息关系，提出传递熵（transfer entropy）的形式展开，用于识别为指定目标未来状态提供信息的不可约变量集合。其主要贡献是将分析对象从单个变量扩展到变量组合，并依据展开贡献的符号刻画协同或冗余的信息性质。 机制上，作者将具有较高贡献值的变量组合与系统中的信息回路联系起来，尝试由这些组合识别信息子图。“不可约”强调的是变量集合整体的信息贡献，不能仅以孤立变量的作用概括；但摘要未提供展开公式、估计方法、贡献值的判定标准，以及正负符号与协同或冗余之间的具体对应关系，这些细节尚未验证。信息关系也不应直接等同于已确认的生理连接或因果机制。 作者报告在 fMRI 与 EEG 数据集上进行了初步分析，但摘要未披露数据集名称、被试数、任务、预处理、评估协议、对照基线或定量指标，因此目前只能确认该方法已被用于这些数据类型，不能据此判断其在 BCI 解码、跨被试泛化或神经连接识别中的有效性。 进一步阅读应核对高阶信息贡献的估计稳定性、变量组合搜索的计算成本，以及结果对样本量与估计参数的敏感性。实验协议、消融及统计信息尚未验证；复现所需的数据、实现与参数条件也需从全文确认。

    阅读价值：值得阅读的具体原因是其通过传递熵的形式展开识别对目标未来状态具有不可约信息贡献的变量集合，并区分协同与冗余信息，有助于考察多变量信息关系；摘要中的 fMRI 与 EEG 结果仍属初步证据。

1月1日周日
  1. OpenReview · EEG78

    基于 fMRI 功能连接数据的自动睡眠分期

    基于摘要分析。本研究针对受试者在扫描仪内入睡可能混杂静息态 fMRI 分析的问题，提出仅利用 fMRI 功能连接数据进行自动睡眠分期的方法，旨在不额外同步记录 EEG 的情况下提供警觉状态信息。研究对象是 fMRI 中的睡眠与警觉性识别，并非 EEG 解码或 BCI 控制。 方法以独立成分分析识别的 20 个皮层区域及双侧丘脑的两个区域之间的线性相关值作为分类特征，为各睡眠阶段组合构建两两区分的二分类支持向量机，再将其组合为多分类器。作者探索了不同多分类组合方案和核函数；摘要未给出最终选择、相关值的具体计算与预处理流程。 作者报告，经 5 折交叉验证优化参数后，在功能连接计算时段短至 60 s 的二分类问题中，Accuracy 超过 0.8；多分类器在两个独立数据集上的 Accuracy 均超过 0.8。上述二分类与独立数据集多分类结果属于不同评估条件，不能直接视为同一协议下的性能。摘要未说明被试数、睡眠阶段类别、类别分布、交叉验证是否按被试划分，以及独立数据集与训练集的采集差异，相关实验协议、消融及统计信息尚未验证。 作者提出通过滑动窗口将分类器应用于 fMRI 数据，以辅助监测扫描过程中的警觉性并控制静息态分析中的混杂因素。复现需核对区域定义、窗口与步长、睡眠标签来源及时间对齐方式、核函数和超参数选择流程，以及独立数据集的验证条件。摘要不足以确认其对不同扫描条件或人群的适用范围，也不能将所报告的睡眠分期表现解释为已验证的 BCI 有效性。

    阅读价值：值得阅读的具体原因是其以 fMRI 功能连接进行睡眠分期，并报告在两个独立数据集上的泛化表现，为核查静息态 fMRI 中睡眠与警觉性混杂提供了可复现的方法线索。

1月1日周六
  1. OpenReview · EEG72

    利用同步 fMRI 与 Relevance Vector Machine 回归预测 EEG 单试次响应

    基于摘要分析。研究关注同步 EEG-fMRI 中能否利用一种模态的信息预测另一种模态的信号，采用多变量 Relevance Vector Machine（RVM）回归学习 fMRI 激活模式与 EEG 响应之间的关系，探索将空间分布的 fMRI 活动与特定 EEG 成分关联的方法。 研究任务包含听觉提示、视觉心理想象和视觉控制目标；这里的视觉心理想象不应等同于运动想象（MI）。方法以 fMRI 激活模式作为预测信息，以同步采集的 EEG 响应作为预测对象。摘要涉及诱发响应及诱导性振荡响应，但未给出特征构造、具体预测时间窗、RVM 配置或训练与测试划分。 作者报告，多变量回归能够从 fMRI 时间序列预测上述 EEG 响应，但预测结果在很大程度上受到血流动力学响应函数整体滤波效应的影响。对听觉诱发响应的进一步分析显示，单试次调制存在较小但具有统计显著性的贡献，可用于关联空间分布的 fMRI 激活模式与同步 EEG 的特定成分。摘要未提供效应量、预测指标或显著性检验细节，因此不能据此量化预测性能，也不能将其解释为已实现任意 EEG 波形重建。 这项工作的直接贡献是多模态脑信号耦合分析，而非已验证的 BCI 解码系统。复现时需核对同步采集与伪迹处理、血流动力学建模、试次对齐、预测目标定义及训练与测试划分，并确认如何区分整体滤波效应与单试次调制的贡献。被试数量、实验协议、消融及统计信息尚未验证；摘要也不足以判断跨被试或跨会话泛化能力。

    阅读价值：该研究值得阅读的具体原因是用 RVM 回归检验同步 fMRI 空间激活模式对 EEG 单试次响应的预测能力，并区分血流动力学滤波与单试次调制对预测的贡献，但其 BCI 应用价值尚未验证。

1月1日周五
  1. OpenReview · EEG72

    m-sequence 调制退化语音的理解：一项 fMRI 研究

    基于摘要分析。本研究关注人脑如何理解经 m-sequence 调制而退化的语音，通过与既往 EEG 实验相对应的 fMRI 实验，识别参与此类语音理解的候选神经系统。其主要贡献是提供脑区活动证据，并将其与既往理解相关 EEG 信号联系起来，而非提出新的 BCI 解码算法。 研究采用非整数交替区块因子设计，纳入 23 名日语使用者，以语音时间反转和 m-sequence 调制为两个因素。作者报告，时间反转主效应涉及左侧沿上颞沟的颞叶皮层（BA21、BA39）、左侧中央前回（BA6）及右侧颞下回（BA21）。调制主效应表现为左侧中央后回和右侧额内侧回活动增加，以及左侧颞叶、海马旁回、后扣带回、尾状核、丘脑和右侧颞上回活动降低。 在交互效应分析中，作者报告，未调制语音的正向播放相较反向播放，在左侧额回、枕叶楔部、双侧楔前叶及右侧丘脑出现相关效应；调制语音条件下的正向大于反向效应则出现在额下回盖部（BA44）。这些结果需结合调制与反转条件理解，不能直接视为语音理解能力的预测表现。 作者此前的 EEG 研究报告了延迟约 400 ms、随调制语音可理解性变化的相关峰；本摘要还指出，对应 EEG 成分相关函数的估计头皮投影呈左侧优势。结合 fMRI 结果，作者推测上颞沟区域、左侧中央前回及左侧额下回盖部可能参与产生理解相关 EEG 信号。这是候选神经来源解释，并非对 EEG 信号源的确定定位。 全文尚未取得，m-sequence 调制参数、刺激与行为测量、fMRI 统计阈值及多重比较校正、EEG 与 fMRI 的具体对应方式尚未验证。摘要未提供 BCI 任务、解码性能或在线使用结果，因此不能据此认定其具有已验证的 BCI 应用效果。

    阅读价值：值得阅读的具体原因是该研究以语音时间反转与 m-sequence 调制的 fMRI 因子设计，为既往理解相关 EEG 信号提供候选脑区解释，但并未验证其作为 BCI 解码指标的有效性。

1月1日周二
  1. OpenReview · EEG75

    分类图像揭示 fMRI 脑体素的信息敏感性

    基于摘要分析。该研究关注不同脑区究竟对哪些具体视觉信息敏感，将反向相关方法 Bubbles 与 fMRI 结合，用于三选一强迫选择（3AFC）面部表情分类任务，尝试从视觉信息内容而非仅从激活位置解释脑功能。 方法的核心是把任务中的视觉信息变化与脑区 BOLD 响应联系起来。作者报告，研究识别了对完成表情分类所需关键视觉信息具有显著敏感性的脑区，并进一步揭示了调制各脑区 BOLD 敏感性的具体视觉信息子集。这里的“分类图像”用于刻画刺激信息与响应之间的关系，不应理解为新发布的图像分类模型。 研究贡献在于提供一种按各脑区所处理的信息内容分析脑功能的路径。摘要未提供被试数量、刺激构成、Bubbles 的具体采样设置、fMRI 分析流程、显著性阈值或效应量；实验协议、消融及统计信息尚未验证，也无法据此评价结果的泛化性与复现成本。 平台推测（待验证）：若 EEG 视觉任务能够保留逐试次刺激信息变化，并将其与时间锁定的神经响应对应，Bubbles 的分析思路可能用于检验哪些视觉信息影响特定时间窗的响应；需要将体素级 BOLD 分析改造成适合 EEG 通道与时间维度的统计分析。低信噪比、眼动及被试差异可能使信息敏感性估计不稳定。一个可证伪的小实验是在固定表情分类任务中，检验被试内估计的视觉信息敏感性图能否在独立试次上复现。摘要提及已有 EEG、MEG 相关应用，但具体工作尚未检索确认；本研究本身并未提供 BCI 有效性证据。

    阅读价值：值得阅读之处在于将 Bubbles 反向相关方法用于 fMRI，把脑区响应与具体面部视觉信息联系起来；其对 EEG/BCI 的适用性尚未验证。

1月1日周一
  1. OpenReview · EEG71

    局灶性癫痫发作间期 fMRI 的独立成分分析：与基于广义线性模型的 EEG 相关 fMRI 分析比较

    基于摘要分析。本研究针对局灶性癫痫同步 EEG–fMRI 分析依赖头皮 EEG 可见发作间期癫痫样放电（IED）的问题，比较数据驱动的空间独立成分分析（ICA）与 EEG 驱动的广义线性模型（GLM），评估 ICA 是否能够提取与 IED 相关的 BOLD 活动。这是癫痫相关脑功能成像研究，并非 BCI 解码方法研究。 传统 GLM 使用头皮 EEG 上识别的 IED 构建分析模型；当 EEG 未显现 IED 时，该策略难以发挥作用。作者对八名局灶性癫痫患者的 fMRI 数据应用空间 ICA，将提取的独立成分自动分类为 BOLD 相关成分、运动伪影、EPI 磁敏感伪影、大血管成分及高空间或时间频率噪声，再依据时空标准评估 ICA 与 EEG 驱动 GLM 结果的一致性。摘要未提供分类器具体实现及一致性判据。 作者报告，在上述八名患者的分析中，自动分类使候选独立成分数量减少 78%，平均保留 16 个 BOLD 相关成分；每名患者均有一个独立成分满足与 IED 驱动 GLM 结果相对应的时空标准。这支持 ICA 能够提取与已知 IED 相关 BOLD 模式一致的成分，但不等同于对 EEG 不可见癫痫活动的独立验证。 作者认为，其余成分与自发脑活动的 BOLD 模式相符，并可能包含头皮 EEG 未显现的癫痫活动；这一解释仍需独立证据确认。摘要未给出额外成分的临床参照验证、定位准确性或假阳性指标。实验协议、消融及统计信息尚未验证，复现还需核对 fMRI 预处理、ICA 配置、自动分类规则及 GLM 建模细节。当前材料不支持将该结果直接推断为 EEG/BCI 性能提升。

    阅读价值：值得阅读其空间 ICA 成分筛选与 EEG 驱动 GLM 的时空一致性验证思路，但摘要不足以确认额外成分能否识别头皮 EEG 未显现的癫痫活动。

  2. OpenReview · EEG74

    改善与 3-T fMRI 同步记录的听觉事件相关电位质量：去除心搏冲击伪迹

    基于摘要分析。本研究针对同步 EEG–fMRI 记录中心动周期相关心搏冲击伪迹（ballistocardiogram artefact，BCG）严重污染 EEG 的问题，系统比较 optimal basis set（OBS）、独立成分分析（ICA）及二者组合 OBS–ICA，重点考察伪迹抑制与听觉 ERP 成分 N1 保真度之间的关系。 OBS 属于逐通道校正方法，ICA 属于空间滤波方法，OBS–ICA 则结合两者。研究将三种处理流程应用于 12 名被试在 3-T 扫描仪内进行 fMRI 采集时同步记录的 60 通道 EEG。评估不仅包括残余 BCG 伪迹，还包括 N1 的信噪比（SNR）、幅度及头皮地形分布，并利用等效电流偶极子建模考察定位误差。 作者报告，三种方法均显著减少了伪迹，但相对于未经 BCG 校正的数据，ICA 处理后的 N1 SNR 和幅度显著降低，提示伪迹减少并不必然意味着目标 ERP 质量改善。相较之下，作者报告 OBS 与 OBS–ICA 均明显改善了 N1 SNR。源定位方面，三种校正方法相对于未经 BCG 校正的数据均呈现定位误差减小的描述性结果，其中 OBS–ICA 的改善达到统计显著；摘要未给出具体效应量或检验数值。 该结果的直接适用范围是所述同步 EEG–fMRI 条件下的 BCG 校正与听觉 N1 分析，不能据此断言 ICA 在其他 EEG 场景下普遍较差，也不能推导出 BCI 解码性能提升。复现时需核对 BCG 周期识别、OBS 基函数设置、ICA 成分筛选、组合处理顺序及偶极子建模参照等细节；具体实验协议、消融及统计信息尚未验证。

    阅读价值：该研究在同一组同步 EEG–fMRI 数据中比较 OBS、ICA 与 OBS–ICA，并同时考察残余伪迹、N1 信噪比与源定位误差，有助于判断去伪迹是否以损伤目标 ERP 为代价。

1月1日周日
  1. OpenReview · EEG70

    基于约束 ICA 去除 MRI 内采集的视觉诱发电位 EEG 信号中的心冲击图与眼电伪迹

    基于摘要分析。该研究针对同步 EEG–fMRI 采集中 BCG（心冲击图）与 EOG（眼电）伪迹干扰微弱诱发响应的问题，提出用约束独立成分分析（cICA）同时识别并去除两类伪迹，以恢复 MRI 内采集的视觉诱发电位（VEP）。研究对象是 MRI 环境下的 EEG 去伪迹与诱发电位恢复，而非 BCI 解码性能。 核心机制是为 BCG 和 EOG 伪迹设计参考函数，将其作为 cICA 的约束，引导算法识别对应的独立成分（ICs）；随后移除这些成分并重构 EEG，再提取 VEP。相较于摘要中的标准模板减法对照，该方法的关键区别在于利用参考信息约束成分识别，而不是直接进行模板相减。参考函数的具体构造、约束形式、优化过程及成分选择规则尚未验证。 评估中，作者分别从 cICA 与标准模板减法处理后的 MRI 内 EEG 生成 VEP，并与 MRI 外采集 EEG 得到的 VEP 比较。作者报告，cICA 优于标准 BCG 伪迹去除方法，但摘要未提供量化指标或明确说明所谓效率特点，因此不能据此判断改善幅度、统计显著性或计算效率。 复现与证据核对需关注 MRI 内外采集条件是否可比、视觉刺激及 VEP 提取流程、参考函数所需的辅助记录，以及去除伪迹成分时是否保留真实诱发响应。被试数、采集参数、实验协议、消融及统计信息尚未验证；摘要也不足以确认该方法对其他 EEG 任务或 BCI 在线应用的有效性。

    阅读价值：值得阅读的具体原因是以伪迹参考函数约束 cICA，同时识别 MRI 内 EEG 的 BCG 与 EOG 成分，并以 MRI 外 VEP 作为参照评估去伪迹效果；性能优势目前仅有摘要中的定性报告。

12月31日周六
  1. OpenReview · EEG79

    评估 EEG 逆问题中基于 fMRI 的先验的相关性：贝叶斯模型比较方法

    基于摘要分析。研究针对 EEG/MEG 皮层源重建解不唯一的问题，提出通过贝叶斯模型比较评估 fMRI 衍生空间先验是否适合观测数据。核心贡献是将“是否应引入跨模态先验”转化为可量化的比较问题，而不是直接假定生物电活动与代谢活动在空间上相匹配。 方法上，作者比较采用 fMRI 信息先验与采用非信息先验时对 EEG/MEG 数据的适配程度，并使用 Bayes factor 作为纳入或不纳入信息先验的依据。这一机制直接对应多模态源定位中的关键风险：外部成像约束可能减少逆问题的不确定性，但不匹配的约束也可能影响重建。摘要未给出先验分布、似然、超参数处理及 Bayes factor 的具体计算方式，尚不能据此复现推断流程。 验证方面，作者报告进行了广泛仿真，将模拟 EEG 源的扰动版本构造为 fMRI 衍生先验，以考察先验与真实源不一致时的适用性；作者还指出，该推断框架可推广至优化信息先验的引入方式。摘要未提供扰动类型、仿真规模、噪声条件、判定阈值或定量结果，实验协议、消融及统计信息尚未验证，也无法确认其在真实 EEG/MEG 与 fMRI 配对数据上的表现。 该工作的明确研究对象是多模态约束下的 EEG/MEG 逆问题，并非 BCI 解码性能验证。阅读全文时，应重点核对模型证据对先验设定及噪声假设的敏感性、先验不匹配的仿真覆盖范围，以及推广至先验优化时的具体实现。其对后续 BCI 系统的价值仍需单独验证。

    阅读价值：值得阅读的具体原因是，该研究用 Bayes factor 比较 fMRI 空间先验与非信息先验对 EEG/MEG 数据的适配性，为是否引入跨模态约束提供可核对的统计依据，而非默认两类活动一致。