Влияние многоэчо-модульных решений МКА на анализ задач на автомобилях.

Для повышения чувствительности и надежности данных функциональных магнитно-резонансных изображений (FMRI) и, в частности, моторных данных с неизбежным движением головы в зависимости от задачи был продемонстрирован независимый анализ компонентов (ME-ICA). Однако предыдущая работа показала, что чрезмерно агрессивный денонсирующий подход ME-ICA может непреднамеренно устранить сигнал, связанный с выполнением задач, в то время как более консервативный подход может не способствовать эффективному снижению уровня шума. Хотя воздействие различных методов внедрения МЕ-ИКА на характеристики сигналов и шума тщательно проверялось в данных о дыхании, последствия аналогичных решений о моделировании не были изучены в данных о задачах на автомобилях, которые дают более локализованную нейронную реакцию. Здесь мы проверили и сравнили результаты трех методов анализа с использованием отверженных компонентов ME-ICA в качестве регрессоров в модели на предметном уровне: агрессивное (простое включение регрессоров ME-ICA), умеренное (исключая связанные с задачами регрессоры ME-ICA из модели) и консервативное (ортогональное включение регрессоров ME-ICA в базовую модель и принятые компоненты ME-ICA). Мы применили эти методы к данным о здоровых и множественных склерозных популяциях, которые включали выполнение работ по рукопожатию, уводу плеч и сгибанию лодыжки. Мы обнаружили, что, когда количество движения головы и его корреляция с задачей были высокими и ожидаемый сигнал был относительно низким, консервативный метод привел к значительно более высокой активации, т-статистике и надежности тестов в моторных регионах по сравнению с агрессивными и умеренными методами. Будущие исследования по изучению задач на автомобилях, возможно, пожелают внедрить аналогичные модели для предотвращения потери сигнала на автомобилях при одновременном смягчении последствий движения головы в зависимости от задачи.