利用源定位脑电图（source-localized EEG）和机器学习技术研究认知控制背后的任务诱发脑网络动态

《International Journal of Psychophysiology》：Task-evoked brain network dynamics underlying cognitive control using source-localized EEG and machine learning

　　

Alfia Parvez|Shreya Verma|Jonathan Cerna|Tori Holthaus|Jeongwoon Kim|Melanie Pascual-Abreu|Christopher J. Kinder|Naiman A. Khan

美国伊利诺伊大学厄巴纳-香槟分校健康与运动科学系，厄巴纳，伊利诺伊州 61801

摘要

目的

功能连接性（FC）协调大脑在认知任务中的活动，但人口统计学变量和健康因素对任务相关动态FC的影响仍 belum 被充分探索。我们研究了在修改后的Eriksen侧翼任务中，七个核心脑网络（默认模式网络（DMN）、腹侧注意力网络（VAN）、躯体运动网络（SMN）、背侧注意力网络（DAN）、额顶网络（FPN）、视觉网络（VIN）和边缘系统网络（LIN）内的FC。我们的目标是识别与不同认知控制要求相关的特定网络配置，并评估人口统计学和健康因素的影响。

方法

对255名成年人（平均年龄38.97±11.65岁；BMI 30.21±9.29 kg/m2）的源定位脑电图（EEG）数据进行了二次分析。隐马尔可夫模型提取了时空动态信息，量化了网络内部和网络之间的相关性。利用递归特征消除的极端梯度提升算法（Extreme Gradient Boosting）识别出能够预测反应时间（RT）的连接性指标（准确率超过80%）。回归模型评估了年龄、性别、BMI和收入对任务相关FC的影响。

结果

分类模型在一致性任务（AUC = 0.81）和不一致性任务（AUC = 0.86）中均能准确预测反应时间。一致性任务中的关键FC特征包括VAN–LIN、VIN–VAN和SMN–DAN；不一致性任务中的关键特征包括SMN–DMN、LIN–FPN和VIN–DAN。年龄与FC降低有关，而较高的BMI在LIN–FPN和VIN–DAN中显示出适度的正相关。性别和收入对RT或FC没有显著影响。

结论

这些发现揭示了特定动态网络交互在认知控制中的重要性，并强调了在任务执行过程中考虑年龄和BMI作为大脑连接性影响因素的必要性。