研究人员发现了一种提高大脑活动可视化空间分辨率的方法
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，这有助于以更高的精度找到皮层激活区域。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该杂志上科学杂志．
脑磁图(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。当使用MEG时，研究人员面临着一项复杂的任务，即当他们只有放置在头部周围的传感器的测量值时，了解大脑中的哪些区域是活跃的。这个问题被称为“逆问题”，基本上没有通用的解决方案:任何一组测量都可以用皮层上无数不同配置的神经活动源来解释。
为了使MEG的应用更加实际，采用了特殊的数学方法将传感器信号转化为皮层活动图。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，反问题的大量可能解决方案被缩小了。在这些限制条件下，研究人员寻找大脑皮层中可以解释测量数据的来源分布。“本地”方法，包括算法论文(ReciPSIICOS)中描述的，目的是找到单独的来源，然后才能创建大脑活动的完整图像。
ReciPSIICOS使用自适应波束形成器(BF) -一种处理传感器测量的方法，允许检测目标神经元群体的活动信号。为此，它尝试将来自其他源的信号静音，但不是像“全局”方法那样对所有源进行静音，而是只对当前处于活动状态的源进行静音。当只抑制活动信号时，与“全局”方法相比，这种方法能够提供更高的活动可视化保真度。然而，这种方法也可以抑制由与大脑其他区域的神经元群体同时激活的神经元集合所产生的目标信号。在现实生活中，这种相关性反映了神经元群体之间的相互作用，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。
有关活跃神经元种群及其相互作用性质的信息被编码在一个特殊的协方差矩阵中，该矩阵可以根据传感器数据计算。波束形成算法使用这个矩阵来决定哪个源应该被抑制。严格来说，这种方法只适用于信号源不相互作用的情况:相互作用的信息也包含在相关矩阵中，对波束形成算法的性能有负面影响。利用观测到的数据模型和相关矩阵模型，研究人员开发了一种数学算法，能够从相关矩阵中删除有关源的相互作用的信息。通过这种方式，他们将波束形成方法的适用范围扩展到具有同步神经元源的环境，并在相互作用的神经元群体的可视化中提供了必要的精度。
“脑磁图技术结合了精确记录神经元活动的时间进化方面的能力，以及定位活跃神经元群体的潜在高保真度。第一个特征来自于电活动的记录，其变化速度明显快于fMRI(一种流行的脑功能成像方式)所利用的血流动力学反应。为了实现高精度的空间定位，需要采用复杂的数学方法。ReciPSIICOS和PSIICOS方法家族是数学算法的一个例子，旨在提高MEG模态检测活跃和相互作用神经元种群的空间分辨率，”HSE生物电接口中心主任Alexey ossadchi博士说，他是新方法的作者。
为了评估算法性能，研究人员首先生成了一个模拟传感器在现实生活中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norm估计(MNE)方法)。在信号之间没有相关性的情况下，LCMV和这两种ReciPSIICOS方法都能很好地工作，但是当存在相关性时，ReciPSIICOS处理任务的效果比它的前辈要好得多。下压力测试对于正演建模精度，结果是相似的:ReciPSIICOS被证明对所使用模型的不准确性不太敏感，这在实践中是不可避免的。学者们还在几个真实的MEG数据集上展示了新方法的可操作性和高性能特征，这些数据集的特征是存在同步神经元源，而经典波束形成算法无法充分处理这些同步神经元源。
