深度学习用于识别与性取向相关的脑电图源

科学领域:

• 神经科学是一个神经科学.
• 计算精神病学是一种计算精神病学.
• 生物标志物 生物标志物

背景情况:

• 性取向的生物学基础和潜在的神经功能相关性仍然在很大程度上未被探索.
• 深度学习的进步使复杂的生物数据集,包括脑电图 (EEG) 数据,在没有预定义的特征选择的情况下进行复杂的分析.
• 研究与性取向相关的电生理学差异可能会揭示新的生物学见解.

研究的目的:

• 应用深度学习算法来根据性取向对男性休息状态EEG数据进行分类.
• 通过使用先进的分析技术,确定区分同性恋和异性恋男性的特定神经功能模式.

主要方法:

• 利用了三个队伍:同性恋男性,异性恋男性和一个混合性别组.
• 采用了一个新训练的深度学习网络来对性取向进行分类.
• 应用梯度加权类激活映射 (Grad-CAM) 和源定位,以识别区分时空EEG模式.

主要成果:

• 一个深度学习模型在将男性的性取向从静止状态EEG分类时达到83%的准确性.
• 在布罗德曼区域40和1中确定了不同的功能EEG模式,区分性取向.
• 这些已识别的模式与区分生物性别的模式不同.

结论:

• 深度学习可以识别与男性性取向相关的电生理学特征标记.
• 这些发现表明,性取向具有可以通过EEG检测到的可识别的神经功能足迹.
• 确定的EEG模式是性取向的独特特征,与性别特异的特征不同.