文献

J-GLOBAL ID：202002229416104029   整理番号：20A0429839

ハイブリッドEEG-fMRIニューロフィードバック予測のためのスパースEEG情報化fMRIモデル【JST・京大機械翻訳】

A Sparse EEG-Informed fMRI Model for Hybrid EEG-fMRI Neurofeedback Prediction

著者 (5件)： Cury Claire (University of Rennes, CNRS, Inria, Inserm, IRISA UMR 6074, Empenn Team ERL U 1228, Rennes, France) ,  Cury Claire (University of Rennes, CNRS, Inria, IRISA UMR 6074, PANAMA Team, Rennes, France) ,  Maurel Pierre (University of Rennes, CNRS, Inria, Inserm, IRISA UMR 6074, Empenn Team ERL U 1228, Rennes, France) ,  Gribonval Remi (University of Rennes, CNRS, Inria, IRISA UMR 6074, PANAMA Team, Rennes, France) ,  Barillot Christian (University of Rennes, CNRS, Inria, Inserm, IRISA UMR 6074, Empenn Team ERL U 1228, Rennes, France)
資料名： Frontiers in Neuroscience (Web)  (Frontiers in Neuroscience (Web))
巻： 13  ページ： 1451  発行年： 2019年 
JST資料番号： U7087A  ISSN： 1662-453X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 機能的磁気共鳴画像(fMRI)または脳波(EEG)による脳活動の測定,2つの相補的モダリティは,脳リハビリテーションプロトコルに対する神経フィードバック(NF)機構の文脈における基底解である。NF-EEG(実時間神経フィードバックスコアがEEG信号から計算される)は非常に長い時間にわたって探索されているが,NF-fMRI(リアルタイム神経フィードバックスコアがfMRI信号から計算される)はより最近現れ,よりロバストな結果とより特異的な脳訓練を提供する。fMRIとEEGを同時に用いて,二モード神経フィードバックセッション(NF-EEG-fMRI)に対して,fMRIとEEGからリアルタイム神経フィードバックスコアを計算することは,脳リハビリテーションプロトコルの設計に非常に有望である。しかし,fMRIは患者にとって厄介で,より多くの消耗がある。本論文の最初の貢献は,EEG信号のみならず,NF-EEGおよびNF-fMRIスコアが利用可能な訓練フェーズを用いて,EEG記録からのバイモーダルNFスコアの予測に関するものである。運動イメージタスクにおいて,NF-fMRIまたはNF-EEG-fMRIを予測するためにEEGのみを利用できるスパース回帰モデルを提案した。提案したモデルから得た異なるNF予測子を比較した。EEG信号からのNF-fMRIスコアの予測は,NF-EEGスコアへの情報を追加し,古典的なNF-EEGスコアと比較して,バイモーダルNFセッションとの相関を有意に改善することを示した。Copyright 2020 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 基底 ,  最適化 ,  *脳波 ,  回帰モデル ,  ロバスト性 ,  位相 ,  機械学習
準シソーラス用語： スパース性 ,  運動イメージ ,  脳波信号 ,  実時間 ,  モダリティ ,  脳活動 ,  *機能的MRI ,  *ニューロフィードバック , 【Automatic Indexing@JST】

著者キーワード (6件)： 最適化 ,  脳波 ,  スパース性 ,  機械学習 ,  ニューロフィードバック ,  EEG-fMRI

分類 (2件)： 生体計測  (EL03020C) ,  中枢神経系  (EJ12030F)

引用文献 (38件)：

• Abreu R., Leal A., Figueiredo P. (2018). EEG-informed fMRI: a review of data analysis methods. Front. Hum. Neurosci. 12:29. doi: 10.3389/fnhum.2018.00029
• Allen E. A., Damaraju E., Eichele T., Wu L., Calhoun V. D. (2018). EEG signatures of dynamic functional network connectivity states. Brain Topogr. 31, 101-116. doi: 10.1007/s10548-017-0546-2
• Beck A., Teboulle M. (2009). A fast iterative shrinkage-thresholding algorithm for linear inverse problems. SIAM J. Imaging Sci. 2, 183-202. doi: 10.1137/080716542
• Birbaumer N., Ramos Murguialday A., Weber C., Montoya P. (2009). Chapter 8: neurofeedback and brain-computer interface. Int. Rev. Neurobiol. 86, 107-117. doi: 10.1016/S0074-7742(09)86008-X
• Combettes P. L., Wajs V. R. (2005). Signal recovery by proximal forward-backward splitting. Multiscale Model. Simul. 4, 1168-1200. doi: 10.1137/050626090

タイトルに関連する用語 (7件)： EEG-fMRI ,  ニューロフィードバック ,  予測 ,  EEG ,  情報化 ,  fMRI ,  モデル