English  |  正體中文  |  简体中文  |  全文筆數/總筆數 : 64745/64745 (100%)
造訪人次 : 20438673      線上人數 : 326
RC Version 7.0 © Powered By DSPACE, MIT. Enhanced by NTU Library IR team.
搜尋範圍 查詢小技巧:
  • 您可在西文檢索詞彙前後加上"雙引號",以獲取較精準的檢索結果
  • 若欲以作者姓名搜尋,建議至進階搜尋限定作者欄位,可獲得較完整資料
  • 進階搜尋


    請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/78765


    題名: 以同步腦電波-功能性磁振造影及顱內腦電波探討腦部癲癇活動與血氧變化以及視丘活動之關聯性;Exploring Neurovascular Coupling and Thalamic Involvement in the Epileptic Activity Using Simultaneous Eeg-Fmri and Stereotaxic Eeg
    作者: 段正仁;郭文瑞;李政家
    貢獻者: 國立中央大學認知與神經科學研究所
    關鍵詞: 癲癇;顱內腦電位;腦波;功能性磁振造影;深度學習;循環神經網路;長短程記憶模型;seizure;stereotaxic EEG (sEEG);Electroencephalography (EEG);functional magnetic resonance imaging (fMRI);deep learning;recurrent neural network (RNN);long short-term memory (LSTM)
    日期: 2018-12-19
    上傳時間: 2018-12-20 13:47:24 (UTC+8)
    出版者: 科技部
    摘要: 在本計畫中,我們提出了透過同步腦電位與血氧濃度變化監控程序來估計癲癇波發作在大腦中的源頭位置,並以透過顱內腦電位等腦內紀錄的結果,對於估算的溯源結果,進行評估,以確認其臨床上的可行性與可用性。本子計畫擬利用深度學習的方式,分別對同時擷取的腦波與功能性磁振造影資料進行分析,針對臨床醫師所指出的癲癇波病兆與非病兆的訊號區段,在多種神經影像資料中,利用深度學習中循環神經網路的長短程記憶模型,進行分類的處理,嘗試找出各種不同神經影像之間,在癲癇波發生的前後,具有何種對應的關係。這樣的對應關係,將可以進一步評估非侵入式神經影像方式作為定位癲癇發作位置的可行性,從而作為日後臨床上評估癲癇發作的重要工具,協助癲癇手術術前評估的電極定位規畫。而循環神經網路網路的使用,將協助評估癲癇波發作前是否有某些腦區的活動隨著時間有能量累積的作用,這些具有能量累積作用的腦區,或可協助定位具有多源的癲癇發作。同時本子計畫也規畫將這個循環神經網路的算則應用於其他不同認知作業所獲得的神經影像資料,用以評估本方法在其他認知作業神經影像資料分析上的可行性。 ;In this project, we propose to estimate the sources of epileptic activity using simultaneous EEG and fMRI examination with the combination of internal recordings, such as stereotaxic EEG (sEEG) as used in the clinical practice for confirmation. To analyze the multi-modal neuroimaging data, we propose to use the deep learning technique of recurrent neural network (RNN), especially the long short-term memory (LSTM) model, to find the brain areas in which the temporal dynamics are highly associated with the epileptic spikes as labeled by the physicians in the EEG data. In so doing, we expect to find the linkage between different neuroimaging measurements commonly associated with the same epileptic spike event. Such an association may be indicative of the feasibility of using non-invasive neuroimaging modalities for estimating the epileptic focus (or foci). Also, the use of RNN provides the possibility to evaluate if any energy accumulation in specific brain areas that are further associated with the seizure onset. We hypothesize that such an energy accumulation phenomenon may be informative for indicating the spreading of a seizure onset. Furthermore, we are also to expand the RNN deep learning method to the functional neuroimaging data obtained from the experiment of a regular cognitive task performance to test the applicability of the proposed method for other types of cognitive neuroimaging data. Here, we will try to analyze the fMRI data from a simple Go/NoGo task performance using the proposed and devised analytic method in this proposal.
    關聯: 財團法人國家實驗研究院科技政策研究與資訊中心
    顯示於類別:[認知與神經科學研究所 ] 研究計畫

    文件中的檔案:

    檔案 描述 大小格式瀏覽次數
    index.html0KbHTML47檢視/開啟


    在NCUIR中所有的資料項目都受到原著作權保護.

    社群 sharing

    ::: Copyright National Central University. | 國立中央大學圖書館版權所有 | 收藏本站 | 設為首頁 | 最佳瀏覽畫面: 1024*768 | 建站日期:8-24-2009 :::
    DSpace Software Copyright © 2002-2004  MIT &  Hewlett-Packard  /   Enhanced by   NTU Library IR team Copyright ©   - 回饋  - 隱私權政策聲明