基于大鼠的SSVEP網絡機制研究.pdf

1、穩(wěn)態(tài)視覺誘發(fā)電位(Steady state visual evoked potential,SSVEP)具有較高信噪比和穩(wěn)定的頻譜特征等優(yōu)點,目前得到了廣泛地應用。雖然已有的研究揭示SSVEP的產生涉及到多個腦區(qū),但是其神經機制目前來說還不是很清楚,制約了相關領域的研究。在本文的研究中,采用了多通道,且兼有高時間、高空間分辨率的顱內記錄方式,以此來記錄麻醉狀態(tài)下的大鼠腦電數據(electroencephalograph,EEG),從網絡

2、的層面上研究SSVEP的神經機制。本論文的主要工作如下:
　　1.采用基于圖論的腦網絡分析方法,針對不同的刺激頻率,我們研究了SSVEP的振幅與網絡拓撲屬性之間的關系。對于單只大鼠,具體分析了隨時間動態(tài)變化的SSVEP的振幅與其對應的網絡拓撲屬性之間的關系,而在組間,具體分析了其空閑的基線網絡屬性與SSVEP響應的網絡屬性之間的關系,以及與SSVEP響應強度的關系。我們的結果首次揭示了SSVEP的產生與節(jié)點分布于全腦的網絡重組有著

3、密切的關系。在SSVEP的產生中,控制態(tài)的網絡重組扮演著重要的角色,它可以為SSVEP的產生提供一個重要的預測指標。并且在與其他狀態(tài)下的網絡對比中發(fā)現,能夠誘發(fā)出較強SSVEP的8Hz刺激下的網絡拓撲結構連接更加緊密,并且枕葉與額葉之間的長程連接明顯增多,所以我們推測,枕葉和額葉之間的信息交互在SSVEP的生成中扮演著重要角色。
　　2.首次利用基于神經參數集總模型耦合構成的雙柱模型,對在SSVEP響應中的額葉和枕葉間的信息交互進

4、行了研究,揭示了不同頻率刺激下SSVEP響應的機制,并且利用偏有向相干分析方法(Partial directed coherence, PDC),對真實的EEG數據作有向網絡分析,對雙柱模型的結果進行驗證。在本文的研究中,我們采用粒子群方法(Particle Swarm Optimization,PSO)對不同刺激狀態(tài)下的模型參數進行估計,采用與真實腦電數據誤差最小的輸出參數,然后基于該參數來對相應SSVEP的機制進行解釋。結果顯示,對