Продвинутые алгоритмы обработки сигналов и машинного обучения для исследования взаимосвязи методов функциональной нейровизуализации

Мультимодальные подходы, в частности — совместное использование методов измерения электрофизиологии и функциональной МРТ, позволяют изучать нейрофизиологические процессы в высоком разрешении: как пространственном, так и временном. На сегодняшний день было совершено несколько попыток создания методов разрешения обратной проблемы ЭЭГ (и МЭГ) на основе данных фМРТ. Все существующие подходы, однако, основаны на использовании достаточно простых моделей и анализа вручную. С учетом специфики данных ЭЭГ и фМРТ, новейшие успехи в области машинного обучения должны помочь в создании соответствующего средства анализа. В данной работе мы впервые демонстрируем использование глубокого обучения для сопоставления мультиканальных ЭЭГ-данных и BOLD-сигнала. Для этого мы создали алгоритм на основании архитектуры сквозной сверточной нейросети и обучили его предсказывать результаты фМРТ-сканирования из необработанных данных ЭЭГ в состоянии покоя.