Neuronales Fingerprinting auf MEG-Zeitreihen mit MiniRocket

In der Vergangenheit hat sich die Neurowissenschaft in erster Linie auf Daten auf Bevölkerungsebene und Gemeinsamkeiten zwischen Individuen gestützt, um das Gehirn zu verstehen. Heutige Erkenntnisse betonen jedoch die Bedeutung individueller Variationen, was zur Entstehung des neuronalen Fingerabdrucks geführt hat, einem Bereich, der sich auf die Identifizierung von Individuen innerhalb einer Gruppe mit Hilfe verschiedener Neuroimaging-Techniken wie der MEG konzentriert.

Neuroimaging-Techniken wie die Magneto- und Elektroenzephalographie (M/EEG) stützten sich bisher auf Korrelations- oder Konnektivitätsmatrizen für den neuronalen Fingerabdruck, die häufig die individuelle zeitliche Dynamik ignorierten und eine Kanalkopplung erforderten. Eine kürzlich von Wissenschaftlern des INM-4 durchgeführte Studie hat jedoch einen bedeutenden Fortschritt gebracht.

In dieser Studie nutzten die Forscher die jüngsten Entwicklungen im Bereich der multivariaten Zeitreihenklassifizierung, einschließlich des RandOm Convolutional KErnel Transformation (ROCKET)-Klassifikators, um eine direkte Klassifizierung von kurzen Zeitsegmenten aus MEG-Ruhezustandsaufzeichnungen durchzuführen. Dieser neuartige Ansatz erreichte eine 99%ige Genauigkeitsrate bei der Zuordnung von 1-Sekunden-Zeitreihenfenstern zu den richtigen Personen in einer Gruppe von 124 Probanden und übertraf damit frühere Methoden bei gleichzeitiger Reduzierung der für die Analyse erforderlichen Zeit.

Diese Ergebnisse sind vielversprechend, um tiefere Einblicke in die Gehirnfunktion zu gewinnen, insbesondere beim Verständnis neurologischer Erkrankungen, und könnten zu gezielteren Eingriffen und Behandlungen führen.

Origionalpublikation: Neural fingerprinting on MEG time series using MiniRocket