Currently, one of the main issues i

Currently, one of the main issues in the field of brain research is to
clarify the functional connectivity in the brain. Since Roentgen invented
the first medical X-ray system in 1895, computerized tomography (CT)
and magnetic resonance imaging (MRI) techniques have been developed
to obtain non-invasive anatomical information about a brain.
Afterward, electro- and magneto-encephalography (EEG, MEG)
(Hämäläinen et al., 1993) and functional MRI (fMRI) enabled researchers
to map the primary functions. Then, diffusion tensor imaging
(DTI) began to reveal details of anatomical connectivity in the white
matter. This got people interested not only in the basic primary functions
of the brain, but also in how the different areas of the brain are
functionally-connected and how they work cooperatively. This is
termed brain functional connectivity (BFC). However, any modality
that can directly detect the functional connectivity has not yet been developed.
Although EEG, MEG and fMRI have been used for the purpose,
the fMRI measurement is based on blood oxygen-consumption at nearby
vessels connected to the active neurons. For this reason, there are significant temporal and spatial discrepancies between the real neuronal
activation and the measured signals (Ahlfors and Simpson, 2004).
The EEG and MEG rely on indirect source estimation by solving an inverse
problem.
The first suggestion to directly measure neuronal currents by the nuclear
magnetic resonance (NMR) technique was by Bodurka (Bodurka
et al., 1999). Direct neuronal current imaging (DNI), is able to measure
additional dephasing by the magnetic fields generated by an active
neuronal current. However, in high field MRI (N1.5 T), such measurement
was reported to be infeasible because the susceptibility change
from hemoglobin (2%) dominates the NMR dephasing effect from neural
activity (2%–0.002%) (Parkes et al., 2007). Another obvious hindrance
is the huge difference in the strengths of the Larmor field (~T)
and the small change of the magnetic field strength of the neuronal
currents (~hundreds of pT; Burghoff et al., 2010).
Recently, micro-Tesla NMR and MRI (Clarke et al., 2007; Dabek et al.,
2012; Ledbetter et al., 2008; Liao et al., 2010; McDermott et al., 2002,
2004; Myers et al., 2005; Vesanen et al., 2013; Xu et al., 2006; Zotev
et al., 2008) have been thought to be potential candidates for
implementing DNI (Cassará et al., 2009; Kraus et al., 2008). By replacing
the inductive detection coil in the NMR with a superconducting quantum
interference device (SQUID) sensor, we were able to eliminate
the sensitivity reduction which is inversely proportional to the detection
frequency; the superconductive screening current transferred to
the SQUID sensor does not depend on its oscillation frequency. This feature
enabled detection of the NMR signal under an extremely weak static
magnetic field; the huge difference of nine orders in the magnetic
field strengths could drop to three orders under the micro-Tesla Larmor field and the susceptibility change is negligible as well. A more interesting
feature of the micro-Tesla NMR is to utilize a periodically-oscillating,
neuronal magnetic field as a tipping pulse like the B1 field in the conventional
NMR. Based on this feature, several detection ideas were suggested
for matching the proton resonance to the neuronal-pulse-trains
(Cassará et al., 2009; Kraus et al., 2008), high frequency component
(600–900 Hz) of median nerve stimulation (Höfner et al., 2011;
Scheer et al., 2011).
Going back to the problematic current issues dealing with the study
of BFC, both EEG and MEG are believed to be appropriate tools to study
connectivity because of their high detection bandwidth (covering all
bands of brainwaves) and multichannel detection capability. Thus, a
lot of studies aimed at revealing BFC have reported calculating the coherence,
correlation, and phase synchronization of the brainwaves of a
specific frequency band, between different detection channels. However,
there was an interesting report that even two unsynchronized
sources could show a strong correlation between different sensorchannel
recordings because of volume current mixing (Tass et al.,
1998). The report is quite striking because it could make doubtful all
the functional connectivity studies conducted so far, that were based
on correlation between sensor channels. In order to be clear, we need
to analyze the connectivity with source-space waveforms. We could
have obtained the signals using a direct measurement tool such as a
deep-brain-stimulation (DBS) probe. However, this is an invasive
means which is not applicable to normal subjects. We might also have
reconstructed the source signal waveform from the multichannel measurement
records of an EEG or MEG with spatial filtering, like a minimum
variance beam-former (Sekihara and Nagarajan, 2008; Van Veen
and Buckley, 1988; Van Veen et al., 1997) or a multiple signal classification
(MUSIC) algorithm (Hayes, 1996; Schmidt, 1986). Such algorithms
reconstruct the source power and waveform based on a covariance feature
among different channels, so to speak, correlative spatial patterns
of multichannel recordings; they are appropriate for source analysis of
a periodically oscillating signal. However, where closely-placed, correlated
sources exist, a ghost source appears to exist between the correlated
sources (Sekihara and Nagarajan, 2008; Van Veen et al., 1997). Even
if a method of correlated source suppression with linear constraints
(Kim, 2011) is effective for estimating the positions of the real sources,
we would still have to know the exact position of the correlated sources
to suppress them. An imaginary coherence image (Nolte et al., 2004;
Sekihara et al., 2011) is useful for rejecting spurious interference from
coherent sources, but it does not work properly for phase-matched, correlated
sources.
As an alternative, we propose a functional connectivity imaging idea
that involves direct mapping of coherently oscillating currents in a
brain, so that we could visualize its functional connectivity (spontaneous
or induced coherent brainwaves connecting regions in a brain that
are active simultaneously). Our approach can be included as a specific
application of a wide concept of DNI in a methodological point of
view. Here, in order to specify the application of our proposal, we will
call our technique brainwave magnetic resonance (BMR) since it measures
the NMR signal of protons around active coherent brainwave
sources; the goal of BMR is to match the proton NMR resonance, not
to the high frequency activity from neural spike-train generation, but
to the alpha- to gamma-band (10–100 Hz) brainwaves (Fig. 1). Therefore
the static field of BMR should be on the order of a couple of
micro-Tesla; much weaker than the usual target fields for previously
suggested DNI applications.
Besides the difference in frequency ranges, BMR measurement requires
that we decouple the magnetic resonance signal from the MEG
signal of the same frequency since we cannot switch spontaneous
brainwave activity off and on. This decoupling was accomplished by
the simple but effective trick with the pulse sequence, of stepping up
the measurement field (Bm). Although such a change in the static magnetic
field, or gradient field strength, in a conventional NMR/MRI pulse
sequence has already been reported (Haacke et al., 1999), it provides

ผลลัพธ์ (ไทย) 1:

ปัจจุบัน ประเด็นหลักในด้านการวิจัยสมองจะชี้แจงการเชื่อมต่อที่ทำงานในสมอง ตั้งแต่การคิดค้นของ Roentgenแรกแพทย์เอกซเรย์ระบบในปีค.ศ. 1895 เพื่อ computerized เครื่องเอ็กซเรย์คอมพิวเตอร์ (CT)และได้รับการพัฒนาเทคนิคการสั่นพ้องไฟฟ้าสนามแม่เหล็ก (mri)รับข้อมูลไม่รุกรานกายวิภาคเกี่ยวกับสมองเป็นหลังจากนั้น electro - และเครื่องกำเนิดไฟฟ้า-encephalography (EEG เม็ก)(Hämäläinen et al., 1993) และทำ MRI (fMRI) นักวิจัยเมื่อต้องแมปฟังก์ชันหลัก แล้ว ภาพ tensor แพร่(DTI) เริ่มเปิดเผยรายละเอียดของการเชื่อมต่อกายวิภาคในขาวเรื่อง นี้มีคนสนใจไม่เพียงแต่ในฟังก์ชันหลักพื้นฐานของสมอง แต่ยังอยู่ ในวิธีมีพื้นที่ต่าง ๆ ของสมองมีฟังก์ชันเชื่อมต่อ และวิธีการทำงาน cooperatively นี่คือเรียกว่าสมองทำงานเชื่อมต่อ (BFC) อย่างไรก็ตาม modality ใด ๆที่สามารถโดยตรงตรวจสอบไม่มีการพัฒนาเชื่อมต่อการทำงานแม้ว่า EEG เม็ก และ fMRI ได้ถูกใช้สำหรับวัตถุประสงค์วัด fMRI ตามเลือดออกซิเจนปริมาณการใช้วัสดุที่ใกล้เคียงเรือเชื่อมต่อ neurons ใช้งานอยู่ ด้วยเหตุนี้ มีความขัดแย้งชั่วคราว และพื้นที่สำคัญระหว่าง neuronal จริงเปิดใช้งานและวัดสัญญาณ (Ahlfors และซิมป์สัน 2004)EEG และเม็กใช้ในการประเมินทางอ้อมแหล่ง โดยแก้ผกผันปัญหาแนะนำแรกตรงวัดกระแส neuronal โดยการนิวเคลียร์มีเทคนิคการสั่นพ้องแม่เหล็ก (NMR) โดย Bodurka (Bodurkaร้อยเอ็ด al., 1999) ภาพปัจจุบัน neuronal (DNI) โดยตรง สามารถวัดเพิ่มเติม dephasing โดยเหล็กที่สร้างขึ้น โดยการใช้งานปัจจุบัน neuronal อย่างไรก็ตาม ในสูงฟิลด์ MRI (N1.5 T), วัดดังกล่าวเป็นรายงานที่จะถอด เพราะเปลี่ยนไก่จากฮีโมโกลบิน (2%) กุมอำนาจ NMR dephasing ผลจากประสาทกิจกรรม (2 – 0.002%) (คส์ et al., 2007) น๊อตอีกชัดเจนมีความแตกต่างมากในจุดแข็งของฟิลด์ Larmor (~ T)และการเปลี่ยนแปลงขนาดของแรงแม่เหล็กฟิลด์ของการ neuronalกระแส (~ pT หลายร้อย Burghoff et al., 2010)ล่าสุด ไมโคร Tesla NMR และ MRI (คลาร์ก et al., 2007 Dabek et al.,2012 Ledbetter et al., 2008 Al. ร้อยเอ็ดเลี้ยว 2010 แม็กเดอมอตต์และ al., 20022004 ไมเยอร์ et al., 2005 Vesanen et al., 2013 เขาฮิวและ al., 2006 Zotevร้อยเอ็ด al., 2008) มีความคิดเป็น ผู้ที่มีศักยภาพในใช้ DNI (Cassará et al., 2009 Kraus et al., 2008) โดยแทนขดลวดตรวจจับเหนี่ยวใน NMR กับควอนตัม superconductingสัญญาณรบกวน (หมึก) อุปกรณ์เซ็นเซอร์ เราไม่สามารถกำจัดการลดความไวซึ่งเป็นสัดส่วน inversely กับการตรวจพบความถี่ คัดกรอง superconductive ปัจจุบันโอนไปเซนเซอร์หมึกไม่ขึ้นอยู่กับความถี่ของการสั่น คุณลักษณะนี้ตรวจสอบเปิดใช้งานสัญญาณ NMR ภายใต้การคงอ่อนแอมากสนามแม่เหล็ก ความแตกต่างมากเก้าใบสั่งในแบบแม่เหล็กฟิลด์จุดแข็งสามารถปล่อยใบสั่งสามภายใต้ฟิลด์ Larmor ไมโคร Tesla และการเปลี่ยนแปลงภูมิไวรับเป็นระยะเช่น น่าสนใจมากขึ้นคุณลักษณะของ NMR ไมโคร Tesla จะใช้เป็นระยะ ๆ ขาสนามแม่เหล็ก neuronal เป็นชีพจรทิปปิ้งเช่นฟิลด์ B1 ในที่ทั่วไปNMR ขึ้นอยู่กับคุณลักษณะนี้ คิดตรวจสอบหลายแนะนำสำหรับการจับคู่การสั่นพ้องโปรตอนกับ neuronal-ชีพจรรถไฟ(Cassará et al., 2009 Kraus et al., 2008), ส่วนประกอบความถี่สูง(600 – 900 Hz) ของกระตุ้นเส้นประสาทมีเดียน (Höfner et al., 2011Scheer et al., 2011)กลับไปยังประเด็นปัจจุบันมีปัญหากับการศึกษาของ BFC, EEG และเม็กเชื่อว่าเป็นเครื่องมือที่เหมาะสมเพื่อศึกษาเชื่อมต่อเนื่องจากแบนด์วิธการตรวจจับสูง (ครอบคลุมทั้งหมดวงของ brainwaves) และความสามารถในการตรวจรับ ดังนั้น การมีรายงานจำนวนมาก BFC เปิดเผยการศึกษาคำนวณศักยภาพความสัมพันธ์ และขั้นตอนการซิงโครไนส์ brainwaves ของการเฉพาะความถี่ ระหว่างช่องตรวจที่แตกต่างกัน อย่างไรก็ตามมีรายงานน่าสนใจที่แม้สองรนัสแหล่งที่สามารถแสดงความสัมพันธ์ที่แข็งแกร่งระหว่าง sensorchannel แตกต่างกันบันทึกเนื่องจากไดรฟ์ข้อมูลปัจจุบันผสม (รับการควบคุมด้าน et al.,ปี 1998) การรายงานจะค่อนข้างโดดเด่นเนื่องจากมันสามารถทำให้หนี้สงสัยสูญทั้งหมดการเชื่อมต่อทำงานศึกษาดำเนินการเพื่อให้ห่างไกล จากในความสัมพันธ์ระหว่างช่องเซ็นเซอร์ มีความชัดเจน เราต้องการวิเคราะห์การเชื่อมต่อกับแหล่งพื้นที่ waveforms เราสามารถได้รับสัญญาณที่ใช้เครื่องมือวัดโดยตรงเช่นการลึกสมองกระตุ้น (เศรษฐกิจ) โพรบ อย่างไรก็ตาม นี่คือการรุกรานหมายถึงที่ไม่เกี่ยวข้องกับหัวข้อปกติ เราอาจเชิดรูปคลื่นสัญญาณมาจากการประเมินแบบระเบียนของ EEG หรือเม็กกับกรองปริภูมิ ชอบน้อยที่สุดผลต่างของความเข้มแสงอดีต (Sekihara และ Nagarajan, 2008 Van VeenBuckley, 1988 และ ตู้ Veen et al., 1997) หรือประเภทสัญญาณหลายอัลกอริทึม (ดนตรี) (เฮยส์ 1996 Schmidt, 1986) อัลกอริทึมดังกล่าวสร้างแหล่งพลังงานและรูปคลื่นตามลักษณะการทำงานแปรปรวนระหว่างสถานี เพื่อที่จะพูด รูป correlative ปริภูมิแบบบันทึก พวกเขาเหมาะสมสำหรับการวิเคราะห์แหล่งที่มาสัญญาณการสั่นได้เป็นระยะ ๆ อย่างไรก็ตาม ที่ อยู่ใกล้ชิด correlatedมีแหล่งที่มา ต้นผีปรากฏอยู่ระหว่างที่ correlatedแหล่ง (Sekihara และ Nagarajan, 2008 Van Veen et al., 1997) แม้หากวิธีการปราบปรามแหล่ง correlated ด้วยข้อจำกัดเชิงเส้น(คิม 2011) เป็นการประเมินตำแหน่งแหล่งจริงเรายังต้องการทราบตำแหน่งที่แน่นอนของแหล่ง correlatedจะระงับได้ รูปโปรเจคจินตภาพ (Nolte et al., 2004Sekihara et al., 2011) มีประโยชน์สำหรับการปฏิเสธเก๊รบกวนจากแหล่ง coherent แต่มันไม่ได้ทำงานอย่างถูกต้อง ตรงเฟส correlatedแหล่งที่มาเป็นทางเลือกหนึ่ง เราได้เสนอการทำงานการเชื่อมต่อภาพความคิดที่เกี่ยวข้องกับศิลปินกลุ่นนี้ oscillating กระแสในแมปโดยตรงสมอง เพื่อให้เราสามารถมองเห็นภาพการเชื่อมต่อการทำงาน (ขาดหรือเกิด brainwaves coherent ที่เชื่อมต่อภูมิภาคในสมองเป็นที่จะทำงานพร้อมกัน) วิธีของเราสามารถเป็นการเฉพาะประยุกต์ใช้แนวคิดหลากหลายของ DNI ในจุด methodologicalดู ที่นี่ การระบุโปรแกรมประยุกต์ของข้อเสนอของเรา เราจะเรียกเราเทคนิค brainwave แม่เหล็กสั่นพ้อง (BMR) เนื่องจากมันวัดได้สัญญาณ NMR ของโปรตอนสถาน brainwave coherent ใช้งานอยู่แหล่งข้อมูล เป้าหมายของ BMR จะตรงกับการสั่นพ้องที่โปรตอน NMR ไม่กิจกรรมความถี่สูงจากประสาทชั่วรถไฟรุ่น แต่การอัลฟากับแกมมาแถบความถี่ (10 – 100 Hz) brainwaves (Fig. 1) ดังนั้นเขตข้อมูลแบบคงที่ของ BMR ควรขั้นสองไมโคร-Tesla ต่ำมากกว่าฟิลด์เป้าหมายปกติสำหรับก่อนหน้านี้แนะนำใช้งาน DNIนอกจากความแตกต่างของช่วงความถี่ BMR วัดต้องเรา decouple สัญญาณแม่เหล็กสั่นพ้องจากเม็กสัญญาณความถี่เดียวกันเนื่องจากเราไม่สามารถสลับอยู่brainwave กิจกรรมเข้า Decoupling นี้ได้สำเร็จโดยเคล็ดลับง่าย ๆ แต่มีประสิทธิภาพลำดับชีพจร การก้าวขึ้นฟิลด์หน่วยวัด (Bm) แม้เปลี่ยนคงเหล็กฟิลด์ หรือฟิลด์ไล่ระดับเข้มข้น ในชีพจร NMR/MRI ปกติลำดับแล้วรายงาน (Haacke et al., 1999) , ให้

ผลลัพธ์ (ไทย) 2:

ปัจจุบันเป็นหนึ่งในประเด็นหลักในด้านการวิจัยสมองคือการชี้แจงการเชื่อมต่อการทำงานในสมอง ตั้งแต่เอกซเรย์คิดค้นทางการแพทย์ครั้งแรกระบบเอ็กซ์เรย์ในปี 1895, เอกซเรย์คอมพิวเตอร์ (CT) และการถ่ายภาพด้วยคลื่นสนามแม่เหล็ก (MRI) เทคนิคได้รับการพัฒนาเพื่อให้ได้ข้อมูลทางกายวิภาคไม่รุกรานเกี่ยวกับสมอง. ต่อจากนั้นทางไฟฟ้ารายและเครื่องกำเนิดไฟฟ้าขนาด encephalography (EEG , MEG) (Hämäläinen et al., 1993) และการทำงาน MRI (fMRI) เปิดใช้งานนักวิจัยที่จะแมฟังก์ชั่นหลัก จากนั้นถ่ายภาพเมตริกซ์แพร่(DTI) เริ่มที่จะเปิดเผยรายละเอียดของการเชื่อมต่อทางกายวิภาคในสีขาวเรื่อง ซึ่งมีผู้ที่สนใจไม่เพียงแต่ในฟังก์ชั่นหลักพื้นฐานของสมองแต่ยังอยู่ในวิธีการที่แตกต่างกันพื้นที่ของสมองที่มีหน้าที่เชื่อมต่อและวิธีการทำงานร่วมกัน นี้เรียกว่าการเชื่อมต่อการทำงานของสมอง (BFC) แต่กิริยาใด ๆที่โดยตรงสามารถตรวจสอบการเชื่อมต่อการทำงานยังไม่ได้รับการพัฒนา. แม้ว่า EEG, MEG และ fMRI ถูกนำมาใช้เพื่อวัตถุประสงค์การวัดfMRI จะขึ้นอยู่กับปริมาณการใช้ออกซิเจนในเลือดที่อยู่ใกล้เรือที่เชื่อมต่อกับเซลล์ที่ใช้งานอยู่ ด้วยเหตุนี้มีนัยสำคัญแตกต่างเวลาและพื้นที่ระหว่างเส้นประสาทจริงยืนยันการใช้งานและสัญญาณวัด (Ahlfors และซิมป์สัน, 2004). เครื่องวัดคลื่นสมองและ MEG พึ่งพาการประมาณค่าแหล่งทางอ้อมโดยการแก้ผกผันปัญหา. ข้อเสนอแนะครั้งแรกในการวัดเส้นประสาทโดยตรง กระแสโดยนิวเคลียร์ด้วยคลื่นสนามแม่เหล็ก(NMR) เทคนิคโดย Bodurka (Bodurka et al., 1999) ตรงเส้นประสาทการถ่ายภาพในปัจจุบัน (DNI) สามารถที่จะวัดdephasing เพิ่มเติมโดยสนามแม่เหล็กที่เกิดจากการใช้งานในปัจจุบันของเซลล์ประสาท อย่างไรก็ตามในด้านสูง MRI (N1.5 T) การวัดดังกล่าวได้รับการรายงานว่าเป็นไปไม่ได้เพราะการเปลี่ยนแปลงความอ่อนแอจากฮีโมโกล(2%) ซึ่งในผล NMR dephasing จากประสาทกิจกรรม(2% -0.002%) (ปาร์กส์และอัล 2007) อีกอุปสรรคที่เห็นได้ชัดคือความแตกต่างอย่างมากในจุดแข็งของสนาม Larmor นี้ (~ T) และการเปลี่ยนแปลงเล็ก ๆ ของความแรงของสนามแม่เหล็กของเส้นประสาทกระแส(~ หลายร้อย PT. Burghoff et al, 2010). เมื่อเร็ว ๆ นี้ไมโครเทสลา NMR และ MRI (คลาร์ก, et al, 2007;. Dabek, et al. 2012; Ledbetter et al, 2008;. เหลียว et al, 2010;. McDermott, et al, 2002. 2004; ไมเออร์, et al, 2005;. Vesanen et อัล 2013. Xu et al, 2006;. Zotev. et al, 2008) ได้รับการคิดที่จะเป็นผู้ที่มีศักยภาพสำหรับการดำเนินการDNI (Cassara et al, 2009;.. Kraus et al, 2008) โดยการเปลี่ยนขดลวดเหนี่ยวนำการตรวจสอบใน NMR กับควอนตัมยิ่งยวดอุปกรณ์สัญญาณรบกวน(ปลาหมึก) เซ็นเซอร์เราก็สามารถที่จะกำจัดลดความไวที่จะแปรผกผันกับการตรวจสอบความถี่ การคัดกรอง superconductive ปัจจุบันถ่ายโอนไปยังเซ็นเซอร์ปลาหมึกไม่ได้ขึ้นอยู่กับความถี่ของ คุณลักษณะนี้จะเปิดใช้งานการตรวจสอบของสัญญาณ NMR ภายใต้อ่อนแอมากคงสนามแม่เหล็ก; แตกต่างกันมากเก้าคำสั่งซื้อในแม่เหล็กแรงของสนามอาจลดลงถึงสามคำสั่งภายใต้เทสลาไมโครสนาม Larmor และการเปลี่ยนแปลงความอ่อนแอเป็นเล็กน้อยเช่นกัน น่าสนใจมากขึ้นคุณลักษณะของไมโครเทสลา NMR คือการใช้เป็นระยะสั่น, สนามแม่เหล็กเส้นประสาทเป็นชีพจรทิปเช่นสนาม B1 ในการชุมนุมNMR ขึ้นอยู่กับคุณสมบัตินี้ความคิดของการตรวจสอบหลายคนแนะนำสำหรับการจับคู่โปรตอนเสียงสะท้อนไปยังเส้นประสาทชีพจรรถไฟ(Cassara et al, 2009;. Kraus et al, 2008). ส่วนประกอบความถี่สูง(600-900 Hz) ของเส้นประสาทค่ามัธยฐาน กระตุ้น (Hofner et al, 2011;... ยส์ et al, 2011) จะกลับไปที่ประเด็นสำคัญในปัจจุบันมีปัญหาที่เกี่ยวข้องกับการศึกษาของ BFC ทั้งสมองและ MEG เชื่อว่าจะเป็นเครื่องมือที่เหมาะสมในการศึกษาการเชื่อมต่อเพราะแบนด์วิดธ์การตรวจสอบของพวกเขาสูง(ครอบคลุมทุกวงดนตรีของคลื่นสมอง) และความสามารถในการตรวจสอบหลายช่อง ดังนั้นจำนวนมากของการศึกษาที่มีวัตถุประสงค์เพื่อเผยให้เห็น BFC ได้มีการรายงานการคำนวณการเชื่อมโยงกันของความสัมพันธ์และการประสานเฟสของคลื่นสมองของแถบความถี่เฉพาะช่องระหว่างการตรวจสอบที่แตกต่างกัน อย่างไรก็ตามมีรายงานที่น่าสนใจที่ได้สองหมู่แหล่งที่สามารถแสดงความสัมพันธ์ที่แข็งแกร่งระหว่างsensorchannel ที่แตกต่างกันบันทึกเพราะปริมาณการผสมปัจจุบัน(Tass et al., 1998) รายงานค่อนข้างโดดเด่นเพราะมันจะทำให้หนี้สงสัยจะสูญทุกการศึกษาการเชื่อมต่อการทำงานดำเนินการเพื่อให้ห่างไกลที่มีพื้นฐานอยู่บนความสัมพันธ์ระหว่างช่องเซ็นเซอร์ เพื่อที่จะมีความชัดเจนที่เราต้องการในการวิเคราะห์การเชื่อมต่อกับแหล่งที่มาของรูปคลื่นพื้นที่ เราอาจจะได้รับสัญญาณที่ใช้เครื่องมือวัดโดยตรงเช่นลึกสมองกระตุ้น(DBS) สอบสวน แต่นี้เป็นรุกรานวิธีการที่ไม่สามารถใช้ได้กับคนปกติ เราอาจจะยังมีการสร้างขึ้นใหม่แหล่งกำเนิดสัญญาณรูปคลื่นที่ได้จากการวัดหลายช่องบันทึกของสมองหรือMEG กับการกรองเชิงพื้นที่เช่นขั้นต่ำแปรปรวนคานอดีต(Sekihara และ Nagarajan 2008; Van Veen และบัคลี่ย์ 1988. Van Veen, et al, 1997) หรือการจัดหมวดหมู่หลายสัญญาณ(เพลง) อัลกอริทึม (เฮย์ส 1996; Schmidt, 1986) ขั้นตอนวิธีการดังกล่าวสร้างแหล่งพลังงานและรูปแบบของคลื่นขึ้นอยู่กับคุณสมบัติที่มีความแปรปรวนในหมู่ช่องทางที่แตกต่างกันเพื่อที่จะพูดคู่กันรูปแบบการกระจายของการบันทึกหลายช่อง; พวกเขามีความเหมาะสมสำหรับการวิเคราะห์แหล่งที่มาของสัญญาณสั่นเป็นระยะ ๆ อย่างไรก็ตามที่วางอย่างใกล้ชิด, ความสัมพันธ์แหล่งที่อยู่แหล่งที่มาของผีที่ดูเหมือนจะมีอยู่ระหว่างความสัมพันธ์แหล่งที่มา(Sekihara และ Nagarajan 2008. Van Veen, et al, 1997) แม้ถ้าวิธีการในการปราบปรามแหล่งที่มาของความสัมพันธ์ที่มีข้อ จำกัด เชิงเส้น (คิม 2011) มีผลบังคับใช้สำหรับการประเมินตำแหน่งที่มีแหล่งที่มาที่แท้จริงที่เรายังจะต้องทราบตำแหน่งที่แน่นอนของแหล่งที่มาของความสัมพันธ์ในการปราบปรามพวกเขา ภาพการเชื่อมโยงกันในจินตนาการ (โนลเต้, et al, 2004;.. Sekihara et al, 2011) จะเป็นประโยชน์สำหรับการปฏิเสธการแทรกแซงปลอมจากแหล่งที่มาเชื่อมโยงกันแต่มันไม่ทำงานอย่างถูกต้องสำหรับขั้นตอนการจับคู่ที่มีลักษณะร่วมแหล่ง. เป็นทางเลือกที่เราเสนอ การเชื่อมต่อการทำงานความคิดในการถ่ายภาพที่เกี่ยวข้องกับการทำแผนที่โดยตรงของกระแสสั่นเป็นตุเป็นตะในสมองเพื่อให้เราสามารถมองเห็นภาพการเชื่อมต่อการทำงานของ(ที่เกิดขึ้นเองหรือเหนี่ยวนำให้เกิดคลื่นสมองที่สอดคล้องกันในการเชื่อมต่อภูมิภาคในสมองที่มีการใช้งานพร้อมกัน) วิธีการของเราสามารถรวมเป็นเฉพาะการประยุกต์ใช้แนวคิดกว้างของ DNI ในจุดระเบียบวิธีของมุมมอง ที่นี่เพื่อที่จะระบุการประยุกต์ใช้ข้อเสนอของเราที่เราจะเรียกเทคนิคของเราสมองด้วยคลื่นสนามแม่เหล็ก (BMR) เนื่องจากมาตรการสัญญาณNMR โปรตอนรอบคลื่นสมองที่ใช้งานเชื่อมโยงกันแหล่งที่มา; เป้าหมายของ BMR คือการตรงกับเสียงสะท้อนโปรตอน NMR ไม่ได้กับกิจกรรมความถี่สูงจากรุ่นขัดขวางรถไฟประสาทแต่จะไปอัลฟาแกมมาวง (10-100 Hz) คลื่นสมอง (รูปที่ 1). ดังนั้นสนามคงที่ของ BMR ควรจะอยู่ในคำสั่งของคู่ของที่ไมโครเทสลา; อ่อนแอกว่าสาขาเป้าหมายตามปกติก่อนหน้านี้ชี้ให้เห็นการใช้งาน DNI. นอกจากนี้ความแตกต่างในช่วงความถี่ที่วัด BMR ต้องที่เราแยกสัญญาณด้วยคลื่นสนามแม่เหล็กจากMEG สัญญาณความถี่เดียวกันเนื่องจากเราไม่สามารถเปลี่ยนที่เกิดขึ้นเองกิจกรรมคลื่นสมองและปิด decoupling นี้ได้รับการประสบความสำเร็จโดยเคล็ดลับง่ายๆแต่มีประสิทธิภาพที่มีลำดับการเต้นของชีพจรของก้าวขึ้นสนามวัด (Bm) แม้ว่าการเปลี่ยนแปลงดังกล่าวในแม่เหล็กคงที่สนามหรือความแรงของสนามลาดในการชุมนุม NMR / MRI ชีพจรลำดับได้รับการรายงาน(Haacke et al., 1999) ก็มี

ผลลัพธ์ (ไทย) 3:

ในปัจจุบัน หนึ่งในประเด็นหลักในด้านการวิจัยสมอง

อธิบายการเชื่อมต่อการทำงานในสมอง เนื่องจากเรินท์เกนคิดค้น
ระบบแรกแพทย์เอ็กซ์เรย์ใน 1895 เอกซเรย์คอมพิวเตอร์ ( CT )
, คอมพิวเตอร์ และการสร้างภาพด้วยเรโซแนนซ์แม่เหล็ก ( MRI ) เทคนิคที่ได้รับการพัฒนา เพื่อให้ได้ข้อมูลที่ดีเกี่ยวกับกายวิภาค

หลังจากนั้นสมอง โรง และ แมกนีโต encephalography ( คลื่นสมองเม็ก )
( H และ L และ M และ inen et al . , 1993 ) และ MRI การทำงาน ( fMRI ) ทำให้นักวิจัย
แผนที่ฟังก์ชันหลัก แล้วแพร่เมตริกซ์การถ่ายภาพ
( DTI ) เริ่มที่จะเปิดเผยรายละเอียดของการเชื่อมต่อทางกายวิภาคในสีขาว
ก็ตาม มีคนสนใจไม่เฉพาะในฟังก์ชันหลักเบื้องต้น
ของสมอง แต่ในพื้นที่ที่แตกต่างกันของสมอง
โดยเชื่อมต่อและทำงานร่วมกันได้อย่างไร นี้เรียกว่าการเชื่อมต่อการทำงาน
สมองกรุ ) อย่างไรก็ตาม ใด ๆที่โดยตรงสามารถตรวจจับว่า
การเชื่อมต่อการทำงานยังไม่ได้รับการพัฒนา .
ถึงแม้ว่า EEG fMRI , Meg และมีการใช้เพื่อวัตถุประสงค์
fMRI วัดการใช้ออกซิเจนของเลือดที่เส้นเลือดใกล้เคียง
เชื่อมต่อกับประสาทงาน ด้วยเหตุผลนี้มีความสัมพันธ์ชั่วคราว และมิติความแตกต่างที่แท้จริงระหว่างการกระตุ้นและวัดสัญญาณ (
ahlfors และซิมป์สัน , 2004 ) .
EEG และเม็กพึ่งพาแหล่งทางอ้อม โดยการแก้ปัญหาการผกผัน
.
คำแนะนำแรกวัดกระแสโดยตรงและนิวเคลียร์แมกเนติกเรโซแนนซ์ ( NMR )
bodurka เทคนิคโดย ( bodurka
et al . , 1999 )ปัจจุบันโดยตรงระหว่างภาพ ( วัน ) สามารถวัด
dephasing เพิ่มเติมโดยสนามแม่เหล็กที่สร้างขึ้นโดยใช้
ดปัจจุบัน อย่างไรก็ตาม ในด้านสูง MRI ( บริษัท 1.5 T )
วัดรายงานที่จะทำเพราะเสี่ยงต่อการเปลี่ยนแปลง
จากฮีโมโกลบิน ( 2% ) ครอบงำคุณ dephasing ผลจากกิจกรรมประสาท
( 2% ) 0.002 % ) ( ปาร์กส์ et al . , 2007 )
อุปสรรคชัดเจนก็คือความแตกต่างขนาดใหญ่ในจุดแข็งของลาร์เมอร์ฟิลด์ ~ i ( t )
และเปลี่ยนแปลงขนาดเล็กของสนามแม่เหล็กความแรงของกระแสการ
( ~ ร้อย PT ; burghoff et al . , 2010 ) .
เมื่อเร็ว ๆนี้ , Micro Tesla NMR และ MRI ( คลาร์ก et al . , 2007 ; dabek et al . ,
2012 ; Ledbetter et al . , 2008 ; เหลียว et al . , 2010 ; McDermott et al . , 2002 ,
2004 ; ไมเออร์ et al . , 2005 ; vesanen et al . ,2013 ; Xu et al . , 2006 ; zotev
et al . , 2008 ) มีความคิดเป็นผู้สมัครที่มีศักยภาพสำหรับ
ใช้วัน ( cassar . kgm et al . , 2009 ; เคราส์ et al . , 2008 ) โดยแทน
ขดลวดตรวจจับอุปนัยใน NMR ด้วยอุปกรณ์รบกวนอะตอมควอนตัม
( ปลาหมึก ) เซ็นเซอร์ เราสามารถที่จะขจัด
ไวลดซึ่งเป็นสัดส่วนผกผันกับความถี่ในการตรวจจับ
;การคัดกรองปัจจุบันโอน superconductive

ปลาหมึกเซ็นเซอร์ไม่ได้ขึ้นอยู่กับความถี่การสั่นของ คุณลักษณะนี้สามารถตรวจจับสัญญาณ NMR
ภายใต้สนามแม่เหล็กอ่อนมากคงที่
; ความแตกต่างกันมากของเก้าคำสั่งในสนามแม่เหล็ก
จุดแข็งอาจลดลงถึงสามคำสั่งไมโครเทสลาลาร์เมอร์ฟิลด์ และการเปลี่ยนแปลงพฤติกรรมเป็นเล็กน้อยเช่นกันคุณลักษณะที่น่าสนใจของไมโครเทสลา
คุณคือใช้สั่นเป็นระยะ ๆ , สนามแม่เหล็กเป็นทิป
ดชีพจรเช่น B1 ในเขตปกติค่ะ

ขึ้นอยู่กับคุณลักษณะนี้ความคิดตรวจจับหลายคนแนะนำ
สำหรับการจับคู่โปรตอนเรโซรถไฟชีพจรด
( cassar . kgm et al . , 2009 ; เคราส์ et al . , 2008 ) ,
ส่วนประกอบความถี่สูง( 600 - 900 Hz ) ของการกระตุ้นเส้นประสาท median ( H ö fner et al . , 2011 ;
ยส์ et al . , 2011 ) .
กลับปัญหาปัจจุบัน ปัญหาที่เกี่ยวข้องกับการศึกษา
ของบีเ ซี ทั้งสมอง และ เม็ก เชื่อว่าจะเป็นเครื่องมือที่เหมาะสมเพื่อศึกษาการเชื่อมต่อแบนด์วิดธ์การตรวจสอบของพวกเขา
เพราะ สูง ( ครอบคลุมทุก
วงของคลื่นสมอง ) และความสามารถในการตรวจสอบหลายช่อง . ดังนั้น ,
มากของการศึกษาที่มุ่งเปิดเผยบีเ ซี ได้รายงานการคำนวณคาร์บอน
ความสัมพันธ์ และการประสานขั้นตอนของคลื่นสมองของ
แถบความถี่ที่เฉพาะเจาะจงระหว่างช่องตรวจจับที่แตกต่างกัน อย่างไรก็ตาม มีรายงานที่น่าสนใจ

สอง unsynchronized แหล่งสามารถแสดงความสัมพันธ์ที่แข็งแกร่งระหว่างที่แตกต่างกัน sensorchannel
บันทึกเพราะระดับเสียงปัจจุบันผสม ( หนังสือพิมพ์ของรัสเซีย et al . ,
1998 ) เป็นรายงานที่โดดเด่นมาก เพราะมันอาจจะทำให้สงสัยทั้งหมด
การเชื่อมต่อการทำงานการศึกษาเท่าที่ใช้
สหสัมพันธ์ระหว่างช่องเซ็นเซอร์ เพื่อความชัดเจน เราต้องการ
วิเคราะห์การเชื่อมต่อกับแหล่งพื้นที่นี่ เราอาจ
ได้รับสัญญาณโดยตรง โดยใช้เครื่องมือวัดเช่น
กระตุ้นสมองส่วนลึกด้วย อย่างไรก็ตาม นี่เป็น invasive
หมายถึงซึ่งไม่สามารถใช้ได้กับคนปกติ เราอาจจะยังได้สร้างแหล่ง
รูปสัญญาณจากหลายช่องบันทึกการวัด
ของ EEG หรือเม็กกับพื้นที่การกรองชอบน้อยที่สุด
คาน ( sekihara อดีตและความ nagarajan , 2008 ;แวนวีน
กับบัคลี่ย์ , 1988 ; แวนวีน et al . , 1997 ) หรือสัญญาณหลายหมวดหมู่
( เพลง ) ของ เฮย์ส , 1996 ; ชมิดท์ , 1986 ) เช่นอัลกอริทึม
สร้างแหล่งจ่ายไฟและสัญญาณขึ้นอยู่กับความคุณลักษณะ
ระหว่างช่องทางที่แตกต่างกันเพื่อที่จะพูด , รูปแบบทางพื้นที่คู่กัน
บันทึกได้หลายช่อง พวกเขาเหมาะสมสำหรับการวิเคราะห์แหล่งที่มาของการสั่นเป็นระยะ ๆสัญญาณอย่างไรก็ตาม ที่วางไว้มีความสัมพันธ์อย่างใกล้ชิด ,
แหล่งมีอยู่แหล่งผีปรากฏอยู่ระหว่างความสัมพันธ์
แหล่ง ( sekihara และ nagarajan , 2008 ; แวนวีน et al . , 1997 ) แม้
ถ้าวิธีการมีความสัมพันธ์เชิงเส้นกับแหล่งปราบปรามข้อจำกัด
( คิม , 2011 ) จะมีประสิทธิภาพสำหรับการประมาณตำแหน่งของแหล่งจริง
เรายังต้องรู้ตำแหน่งที่แน่นอนของความสัมพันธ์แหล่ง
เพื่อหยุดยั้งพวกเขา ภาพในจินตนาการ ( โนลท์ et al . , 2004 ;
sekihara et al . , 2011 ) จะเป็นประโยชน์สำหรับการปลอมรบกวนจาก
วีน แต่มันไม่ทำงานอย่างถูกต้องสำหรับเฟสตรงกัน ความสัมพันธ์

เป็นทางเลือกแหล่งเราเสนอการทำงานการเชื่อมต่อภาพที่เกี่ยวข้องกับการทำแผนที่ความคิด
ตรงติดแน่นสั่นกระแสใน
สมองเพื่อที่เราจะได้เห็นภาพการทำงานของการเชื่อมต่อ ( spontaneous
หรือเกิดติดต่อกันคลื่นสมองเชื่อมต่อภูมิภาคในสมอง
มีการใช้งานพร้อมกัน ) วิธีการของเราสามารถรวมเป็นโปรแกรมเฉพาะ
ของแนวคิดกว้างของวันในจุดระเบียบวิธีของ
มุมมอง ที่นี่เพื่อระบุการใช้ข้อเสนอของเรา เราจะ
เรียกใช้คลื่นสมองของเราแม่เหล็ก ( BMR ) เนื่องจากมาตรการ
โปรตอน NMR สัญญาณรอบการใช้งานติดต่อกัน brainwave
แหล่ง ; เป้าหมายของผู้บริโภคคือราคาโปรตอน NMR แนนซ์ไม่
กับความถี่สูงกิจกรรมจากประสาทชั่วคราวรถไฟรุ่นแต่
กับจ่าฝูง - แกมมาแบนด์ ( 10 – 100 เฮิรตซ์ คลื่นสมอง ) ( รูปที่ 1 ) ดังนั้น
สนามคงที่ของ BMR ควรจะอยู่ในลำดับสอง
Micro Tesla ; อ่อนแอมากกว่าปกติเป้าหมายเขตข้อมูลก่อนหน้านี้

แนะนำโปรแกรมวัน . นอกจากนี้ความแตกต่างในความถี่ช่วงการวัด BMR ต้อง
เราดีคัปเปิลสัญญาณแม่เหล็กจากเม็ก
สัญญาณของความถี่เดียวกันเนื่องจากเราไม่สามารถเปลี่ยน ธรรมชาติ
คลื่นสมองกิจกรรมปิดและดีคัปปลิ้งนี้สามารถทำได้โดยง่าย แต่มีประสิทธิภาพ
เคล็ดลับกับชีพจรลำดับ ก้าวขึ้น
วัดสนาม ( BM ) แม้ว่าเช่นการเปลี่ยนแปลงสนามแม่เหล็กหรือสนามไฟฟ้าสถิต
, การไล่ระดับสีใน NMR ธรรมดา / MRI ลำดับชีพจร
ได้รับรายงานแล้ว ( haacke et al . , 1999 ) ก็มี