Cr\u00e9dito: CC0 Public Domain <\/p>\n
Investigadores del HSE Institute for Cognitive Neuroscience han propuesto un nuevo m\u00e9todo para procesar datos de magnetoencefalograf\u00eda (MEG), que ayuda a encontrar \u00e1reas de activaci\u00f3n cortical con mayor precisi\u00f3n. El m\u00e9todo se puede utilizar tanto en la investigaci\u00f3n b\u00e1sica como en la pr\u00e1ctica cl\u00ednica para diagnosticar una amplia gama de trastornos neurol\u00f3gicos y preparar a los pacientes para la cirug\u00eda cerebral. El art\u00edculo que describe el algoritmo se public\u00f3 en la revista NeuroImage. <\/p>\n
La magnetoencefalograf\u00eda (MEG) es un m\u00e9todo basado en la medici\u00f3n de campos magn\u00e9ticos muy d\u00e9biles (varios \u00f3rdenes de magnitud m\u00e1s d\u00e9biles que el campo magn\u00e9tico terrestre) inducidos por la actividad el\u00e9ctrica del cerebro. Al usar MEG, los investigadores enfrentan la complicada tarea de comprender qu\u00e9 \u00e1reas dentro del cerebro estaban activas cuando solo tienen las mediciones de los sensores colocados alrededor de la cabeza. Este problema se denomina ‘problema inverso’ y, fundamentalmente, no tiene una soluci\u00f3n universal: cualquier conjunto de mediciones puede explicarse mediante un sinf\u00edn de configuraciones diferentes de fuentes de actividad neuronal en la corteza.<\/p>\n
Para aplicar MEG Se utilizan m\u00e9todos matem\u00e1ticos pr\u00e1cticos y especiales para convertir las se\u00f1ales de los sensores en mapas de actividad cortical. Estos m\u00e9todos se pueden clasificar en dos grupos. Como parte del llamado enfoque ‘global’, la multitud de posibles soluciones para el problema inverso se reduce en funci\u00f3n de las suposiciones generalizadas a priori sobre la actividad cerebral. Bajo estas restricciones, los investigadores buscan una distribuci\u00f3n de fuentes en la corteza que explicar\u00eda los datos medidos. Los m\u00e9todos ‘locales’, incluido el algoritmo descrito en el art\u00edculo (ReciPSIICOS), tienen como objetivo encontrar fuentes separadas y, solo despu\u00e9s de eso, crear una imagen completa de la actividad cerebral.<\/p>\n
ReciPSIICOS utiliza formadores de haces adaptativos (BF ) – un m\u00e9todo para procesar mediciones de sensores que permite la detecci\u00f3n de una se\u00f1al de actividad de una poblaci\u00f3n neuronal objetivo. Para ello, intenta silenciar las se\u00f1ales de otras fuentes, pero no de todas como se hace en el enfoque ‘global’, sino solo de las que est\u00e1n activas en ese momento. Cuando se suprimen solo las se\u00f1ales activas, este enfoque puede proporcionar una fidelidad considerablemente mayor en la visualizaci\u00f3n de la actividad en comparaci\u00f3n con el enfoque ‘global’. Sin embargo, este m\u00e9todo tambi\u00e9n puede suprimir las se\u00f1ales diana engendradas por conjuntos neuronales activados simult\u00e1neamente con poblaciones neuronales en otras \u00e1reas del cerebro. En condiciones de la vida real, dicha correlaci\u00f3n refleja la interacci\u00f3n entre poblaciones neuronales, que es una propiedad inherente del cerebro, y los investigadores tienen que buscar m\u00e9todos para superar este obst\u00e1culo.<\/p>\n
Informaci\u00f3n sobre poblaciones neuronales activas y la La naturaleza de su interacci\u00f3n est\u00e1 codificada en una matriz de covarianza especial, que se puede calcular en funci\u00f3n de los datos del sensor. El algoritmo de formaci\u00f3n de haces utiliza esta matriz para decidir cu\u00e1l de las fuentes debe suprimirse. Estrictamente hablando, este enfoque es aplicable solo cuando las fuentes no interact\u00faan: la informaci\u00f3n sobre dicha interacci\u00f3n tambi\u00e9n est\u00e1 contenida en la matriz de correlaci\u00f3n e impacta negativamente en el rendimiento del algoritmo de formaci\u00f3n de haces. Usando el modelo de datos observados y el modelo de matriz de correlaci\u00f3n, los investigadores desarrollaron un algoritmo matem\u00e1tico que puede borrar la informaci\u00f3n sobre la interacci\u00f3n de las fuentes de la matriz de correlaci\u00f3n. De esta forma, ampliaron el rango de aplicabilidad del m\u00e9todo beamforming al entorno con fuentes neuronales s\u00edncronas y proporcionaron la precisi\u00f3n necesaria en la visualizaci\u00f3n de poblaciones neuronales que interact\u00faan.<\/p>\n
\u00abLa tecnolog\u00eda de magnetoencefalograf\u00eda combina la capacidad de registrar aspectos precisos de la evoluci\u00f3n temporal de la actividad neuronal y una fidelidad potencialmente alta en la localizaci\u00f3n de las poblaciones neuronales activas. La primera caracter\u00edstica proviene del registro de la actividad el\u00e9ctrica que est\u00e1 cambiando significativamente m\u00e1s r\u00e1pido que las respuestas hemodin\u00e1micas explotadas por fMRI, una modalidad popular de im\u00e1genes cerebrales funcionales. Para lograr un Se necesitan m\u00e9todos matem\u00e1ticos complicados de alta precisi\u00f3n en la localizaci\u00f3n espacial. La familia de m\u00e9todos ReciPSIICOS y PSIICOS es un ejemplo de algoritmos matem\u00e1ticos destinados a aumentar la resoluci\u00f3n espacial de la modalidad MEG para detectar poblaciones neuronales activas e interactivas\u00bb, dijo Alexey Ossadtchi, Ph.D., Director del Centro HSE de Bioe lectric Interfaces, el autor de los nuevos m\u00e9todos.<\/p>\n
Para evaluar el rendimiento del algoritmo, los investigadores primero generaron un conjunto de datos que imita las se\u00f1ales recibidas por los sensores en la vida real y probaron cuatro m\u00e9todos en \u00e9l: dos tipos de ReciPSIICOS y dos algoritmos desarrollados previamente (formadores de haz de varianza m\u00ednima restringida linealmente (LCMV) y enfoque de estimaciones de norma m\u00ednima (MNE)). En situaciones en las que no hay correlaci\u00f3n entre las se\u00f1ales, LCMV y ambos m\u00e9todos ReciPSIICOS funcionan bien, pero cuando hay correlaci\u00f3n, ReciPSIICOS maneja la tarea mucho mejor que sus predecesores. Bajo la prueba de estr\u00e9s para la precisi\u00f3n del modelo directo, los resultados son similares: ReciPSIICOS demostr\u00f3 ser menos sensible a la inexactitud de los modelos utilizados, que son inevitables en la pr\u00e1ctica. Los acad\u00e9micos tambi\u00e9n demostraron la operabilidad y las caracter\u00edsticas de alto rendimiento del nuevo enfoque en varios conjuntos de datos MEG reales caracterizados por la presencia de fuentes neuronales sincr\u00f3nicas que no pudieron ser procesadas adecuadamente por el algoritmo cl\u00e1sico de formaci\u00f3n de haces. <\/p>\n
Explore m\u00e1s<\/p>\n
Una nueva investigaci\u00f3n facilita la identificaci\u00f3n de la actividad cerebral en los estudios de EEG M\u00e1s informaci\u00f3n:<\/strong> Aleksandra Kuznetsova et al, Formador de haz de covarianza modificado para resolver el problema inverso de MEG en el medio ambiente con fuentes correlacionadas , Neuroimagen (2020). DOI: 10.1016\/j.neuroimage.2020.117677 Informaci\u00f3n de la revista:<\/strong> NeuroImage <\/p>\n Proporcionado por la Escuela Superior de Econom\u00eda de la Universidad Nacional de Investigaci\u00f3n Cita<\/strong>: Los investigadores encuentran una manera de aumentar la resoluci\u00f3n espacial en visualizaci\u00f3n de actividad cerebral (2021, 5 de febrero) recuperado el 30 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-02-spatial-solution-brain-visualization.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Cr\u00e9dito: CC0 Public Domain Investigadores del HSE Institute for Cognitive Neuroscience han propuesto un nuevo m\u00e9todo para procesar datos de magnetoencefalograf\u00eda (MEG), que ayuda a encontrar \u00e1reas de activaci\u00f3n cortical con mayor precisi\u00f3n. El m\u00e9todo se puede utilizar tanto en la investigaci\u00f3n b\u00e1sica como en la pr\u00e1ctica cl\u00ednica para diagnosticar una amplia gama de trastornos … Continuar leyendo \u00abInvestigadores encuentran una manera de aumentar la resoluci\u00f3n espacial en la visualizaci\u00f3n de la actividad cerebral\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-16213","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/16213","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=16213"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/16213\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=16213"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=16213"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=16213"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}