机器学习方法对ERP头皮分布分类的比较研究
Roya Salehzadeh1, Firat Soylu2, Nader Jalili1
1Department of Mechanical Engineering, The University of Alabama, Tuscaloosa, AL 35487, United States of America.
Biomedical physics & engineering express
|June 6, 2023
概括
机器学习方法使用脑电图 (EEG) 数据准确识别了指数配置 (FNC) 中的数值信息. 支持向量机在分类这些大脑模式方面显示了最高的准确性.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 机器学习 机器学习
背景情况:
- 机器学习 (ML) 提供了对电脑脑图像 (EEG) 等非侵入性脑信号的高级分析.
- 机器学习方法克服了传统脑电图 (EEG) 分析的局限性,例如事件相关潜力 (ERP).
- 指数配置 (FNCs) 对于通信和算术至关重要,具有已知的神经处理差异.
研究的目的:
- 将ML分类方法应用于ERP头皮分布.
- 调查ML在识别不同指数配置 (FNC) 的数值信息方面的性能.
- 通过三个形式分析FNC:监控,计数和非正规计数.
主要方法:
- 使用了38名参与者的公开32通道EEG数据集.
- 预处理的EEG数据和分类的ERP头皮时间分布.
- 应用了六种ML方法:SVM,LDA,Naïve Bayes,决策树,KNN和神经网络.
- 对所有FNC (12类) 和特定类别的FNC (4类) 进行分类.
主要成果:
- 在这两种条件下,支持矢量机 (SVM) 实现了最高的分类准确性.
- K-Nearest Neighbor (KNN) 显示了第二高的准确性,用于将所有FNC一起分类.
- 神经网络成功地检索了特定类别的FNC分类的数值信息.
结论:
- 机器学习方法是分析ERP头皮分布的有效工具.
- 这项研究表明了ML在FNC内识别数值信息方面的潜力.
- 强调探索用于大脑信号分析的各种ML技术的重要性.
