虚拟环境下镜像神经元和感觉运动皮层功能整合的研究

来源 :杭州电子科技大学 | 被引量 : 0次 | 上传用户:zzq19870114
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
虚拟现实(virtual reality,VR)技术凭借沉浸式视觉体验的优势,越来越多地应用于脑卒中运动障碍的康复治疗。动作视觉感知下镜像神经元系统与感觉运动皮层的功能整合是动作观察应用于脑卒中运动障碍神经康复的理论基础之一。相比于传统的动作观察,VR技术的优势在于其沉浸式的视觉体验,但这种视觉上的体验变化是否能进一步促进镜像神经元和感觉运动皮层的功能整合?VR场景下对本体动作的视觉感知体验,预期能改变神经元活性和连接方式,可能会对镜像神经元与感觉运动皮层之间的功能整合产生正向促进。但是当前已有的VR视觉感知影响运动康复的研究基本仍停留在运动康复效果的对比,缺乏对运动效果改善的神经康复作用机制和皮层功能整合的研究。针对以上问题,本文从基于脑电溯源的皮层脑功能网络角度研究VR下的镜像神经元系统和感觉运动皮层的功能整合机制,探索VR视觉感知对皮层激活和功能整合的影响。研究工作在VR场景下建立对照实验,研究在VR场景下第一人称视角(1PP)本体动作观察、第三人称视角(3PP)动作观察和本体动作实际执行等实验条件下的镜像神经元和感觉运动皮层间的神经作用机制。本文运用脑电信号的精确低分辨率层析成像(eLORETA)溯源和基于滞后相位同步的感兴趣区(region of interest,ROI)皮层脑功能网络分析这两种方法,开展虚拟本体动作视觉感知下镜像神经元系统核心皮层和感觉运动皮层间的功能整合研究,取得了VR动作观察在神经康复作用机制上能进一步改善镜像神经元和感觉运动皮层功能整合的结果,该研究结果将有利于脑卒中运动障碍的康复。本文的主要内容与创新点如下:(1)本文在脑电信号的时域下,对1PP和3PP实验条件下的总平均事件相关电位(ERP)成分的峰值点进行eLORETA脑电溯源。结果表明,1PP和3PP实验条件下总平均ERP成分峰值点的最大神经电信号源都来自于视觉联络区的相关皮层。同时,1PP实验条件下的右脑顶下小叶皮层(IPL,BA40)和3PP实验条件下的右脑顶上小叶皮层(SPL,BA7)以及左脑额下回(IFG,BA45)在神经电信号源的分布中表现出了仅次于视觉联络区的较为显著的皮层源信号。这表明了本文实验条件下的VR虚拟动作影像不仅对视觉联络相关皮层有显著激活,也对镜像神经元系统的部分核心皮层有相对其他皮层更为明显的激活。(2)即使进行重复实验并对数据进行叠加平均,不同受试者在完全相同的实验条件下最终得到的eLORETA全脑皮层体素电流密度图仍有明显的差异,说明了脑电信号在不同受试者间的不确定性。为了能够得到可信度高的分析结果,对受试者间的数据进行实验条件组间的统计检验分析是十分必要的。本文采用非参数映射统计检验方法(Sn PM)对组间的脑电信号时域和频域全脑皮层溯源结果进行差异显著性分析。结果表明,在时域方面,1PP下头皮脑电电位的相对升高与背侧和腹侧前运动皮层(PMD/PMV,BA6)和顶上小叶皮层(SPL,BA7)两个镜像神经元核心皮层区域的激活显著相关(P<0.05),说明镜像神经元系统部分核心皮层在1PP下的激活比在3PP下产生更高的脑电电位。在频域方面,顶上小叶皮层(SPL)以及顶下小叶皮层(IPL,BA40)两个镜像神经元核心皮层区域的α频带电流密度在1PP下呈现更强的抑制反应,产生了更显著的事件相关去同步现象。这些结果说明,相对于3PP,在1PP下的本体动作观察对背侧和腹侧前运动皮层区域和顶叶区域的镜像神经元有更大的激活作用。(3)大脑对运动信息的功能整合处理是多个脑区皮层信息交流的结果,所以不同区域皮层间的连通性分析对大脑功能整合的表征具有十分重要的意义。本文基于脑电信号频域下的溯源结果,使用滞后相位同步的皮层功能连通性分析方法构建基于ROI的皮层脑功能网络,并对1PP、3PP和本体动作执行三个实验条件下的皮层功能网络进行实验条件组间差异程度统计检验。结果表明,1PP下本体动作的虚拟视觉感知对镜像神经元系统核心皮层和感觉运动区皮层间的功能整合产生了相对于3PP下更积极的变化;同时,1PP下的虚拟本体动作观察可以在83.3%的较高程度上对镜像神经元系统核心皮层和感觉运动皮层产生相较于本体动作执行并无显著统计差异的功能整合作用,甚至在少部分的镜像神经元系统核心皮层产生更大的局部连通性。以上研究结果从神经生理作用机制上表明,VR场景中本体动作视觉重现进一步刺激了镜像神经元系统核心皮层的活动,促进了镜像神经元系统核心皮层与感觉运动皮层的功能整合。
其他文献
数字存储器电路的发展对集成电路产业尤为重要,触发器电路作为其中重要的一部分,其性能好坏、电路体积等对于存储器十分重要,但是随着半导体技术的不断发展,晶体管的尺寸与性能逐渐接近物理极限,传统触发器电路也因为所需器件数变多而开始遇到设计瓶颈。忆阻器作为一种新器件,其纳米级尺寸、非易失等特性足以改善目前触发器电路设计中存在的问题,而且由于其与CMOS完美兼容,使得CMOS-忆阻混合设计对于电路设计而言是
云制造模式下,各类制造资源和制造能力被虚拟化封装为制造服务,通过云平台实现全面共享和按需使用。企业可以通过服务组合的方式在线定制云制造服务系统,完成各类制造业务。由于云环境的动态性和不可预测性,制造服务具有不确定性,常出现服务失效、性能下降等问题,难以满足用户的实际定制和使用需求。因此,通常需要对制造服务进行在线监测,为保障云制造服务系统的正常运行提供依据。然而,在云平台中的制造服务数量庞大,对所
主动声呐工作在复杂的海洋环境中,多途、海深、声速梯度、温度等诸多因素都会影响水中目标散射声场,尤其是隐身目标和各种小目标的出现,导致目标特性微弱,很难提取出利于识别的稳定而可靠的目标固有特征。面对该问题,本论文重点关注海洋信道中有目标和没有目标时的声场变化,从理论仿真、特征提取、试验数据获取分析三个方面,研究海洋信道环境声场、主动声呐目标散射声场产生的干涉条纹特征,为目标的探测和识别提供一种有效的
近年来,在智能机器人领域,工业无人巡检机器人、矿山爆破机器人等的应用越来越广泛。SLAM技术作为机器人实现智能化、自主化的关键技术之一迅速成为智能机器人领域重点关注的技术。SLAM问题中一个需要解决的难题就是量测数据和诸多地图特征的数据关联问题。基于数据关联和卡尔曼滤波器的SLAM算法利用数据关联来解决这个问题,在关联场景简单时取得了良好的效果。但是在环境中杂波较多、传感器存在大量漏检的情况下,基
我国领海辽阔,海洋资源丰富。舰船作为海洋活动的主体,实现舰船目标的准确识别对于海洋强国建设至关重要。目前,舰船目标数据的采集方式多样,主要有星载、机载、无人机载、舰载、船载和岸基等,不同采集方式所获得的图像数据之间存在一定差异;利用某一平台图像数据得到的舰船目标深度识别网络无法直接应用到其他平台,这是由于平台之间存在观测视角和图片分辨率等多种差异。因此,本文重点开展了基于深度迁移学习的舰船目标识别
滤波器设计方法与技术一直是学术领域研究的热门课题之一,近些年来已得到了长足的发展。目前,虽然以线性卡尔曼滤波器设计为基础的理论和方法已形成一个较完整的体系结构,但现有面对非线性系统所设计出的卡尔曼滤波器,常随非线性程度的增强,而性能在逐步退化;以函数近似为主的扩展卡尔曼滤波和强跟踪滤波,无法在根本上解决由于舍掉泰勒展开式的高阶项带来的线性化误差;以采样近似为主的无迹卡尔曼滤波不关注具体的函数形式,
近年来,随着计算机算力的不断增长,计算机视觉领域依托深度学习的方法取得了显著的进展,车道线检测领域也乘着这阵东风飞速发展。虽然现有的基于深度学习的车道线检测算法在鲁棒性等方面远超传统算法,并在某些简单场景中的检测性已经能够很好的满足实际应用的需求,但是在光照分布不均、车流量大、车道线磨损、夜晚、地标箭头干扰等复杂道路场景中,算法性能不容乐观。因此本文尝试在现有的两种基于CNN的车道线检测算法上进行
对称α稳定(Symmetricα-Stable,SαS)测量噪声下鲁棒纯方位目标定位是被动目标定位领域的一个重要课题,被广泛应用于电子侦察、阵列网络、无线定位和机器人导航等领域。不同于高斯测量噪声,SαS测量噪声没有统一闭式概率密度函数且不存在二阶及以上统计量,鲁棒纯方位定位的优化准则变为最小散度准则,即最小Lp范数准则。典型的迭代重加权伪线性最小二乘(Iteratively Reweighted
近年来,风电场规模越来越大,如果对大型风电场的每台机组进行详细建模,会增加运算规模、耗费大量时间。因此,有必要对风电场等值建模方法进行深入研究。而随着风电场及电网复杂化,故障情况常常会导致无功功率不足,致使系统电压及功率因数降低。静止无功发生器(SVG)被越来越多地应用到电网及风电场中以补偿无功和稳定电压,但实际情况中SVG往往无法提供准确参数,仿真时大多使用典型参数,因此,亟需对SVG的控制器参
大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)技术可以有效地提高无线通信系统性能,而信道状态信息(Channel Status Information,CSI)的特征对系统性能有至关重要的影响。利用导频信号进行信道估计获得信道状态信息是常用的信道估计方法之一,即在发送端将一定数量的导频序列加入到发射信号中一起发送,接收机通过适当的处理技术分别获得导频点