fMRI aus EEG ist nur ein Deep Learning entfernt: die Verwendung interpretierbarer DL, um EEG-fMRI-Beziehungen zu entschlüsseln

Der Zugang zu Aktivitäten subkortikaler Strukturen bietet eine einzigartige Gelegenheit zur Entwicklung intentionssensitiver Brain-Computer-Schnittstellen, eröffnet eine Fülle von Möglichkeiten zur Erforschung vielfältiger kognitiver Phänomene im Bereich der affektiven Neurowissenschaft, einschließlich komplexer Entscheidungsprozesse und des ewigen Freiheitswillens-Dilemmas, und erleichtert die Diagnose einer Reihe neurologischer Erkrankungen. Bisher war dies ausschließlich mit umfangreichen, kostspieligen und ortsfesten fMRI-Geräten möglich. Hier präsentieren wir eine interpretierbare, domänengestützte Lösung zur Rekonstruktion der Aktivität mehrerer subkortikaler Regionen aus multikanaligen EEG-Daten und demonstrieren eine Korrelation von bis zu 60 % zwischen dem tatsächlichen, blut-sauerstoffabhängigen subkortikalen Signal (sBOLD) und seinem EEG-abgeleiteten Pendant. Anschließend nutzen wir eine neuartige, theoretisch fundierte Methode zur Gewichtsinterpretation, um individuelle räumliche und zeitfrequenzbasierte Muster im EEG zu identifizieren, die prädiktiv für das hämodynamische Signal in subkortikalen Kernen sind. Die vorgestellten Ergebnisse eröffnen nicht nur den Weg zu tragbaren Scannern subkortikaler Aktivität, sondern veranschaulichen zudem einen automatisierten Prozess der Wissensentdeckung, der durch die Kombination von Deep-Learning-Technologie, einer interpretierbaren, domänengebundenen Architektur und einer geeigneten nachgelagerten Aufgabe ermöglicht wird.