使用神经网络进行单次试验ERP量化
Emma Depuydt1, Yana Criel2, Miet De Letter2
1Department of Electronics and Information Systems, Medical Image and Signal Processing Group, Ghent University, Ghent, Belgium. emma.depuydt@ugent.be.
Brain topography
|August 8, 2023
概括
神经网络通过量化单个试验组件来改善事件相关潜力 (ERP) 分析,提供比传统平均化方法更好的振幅和延迟估计. 这种方法增强了对神经可变性和组件特征的理解.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 计算神经科学是一种神经科学.
背景情况:
- 传统的事件相关潜力 (ERP) 分析依赖于平均EEG,这掩盖了试验对试验的延迟变化,导致涂抹组件和低估幅度.
- 现有的单试量化技术存在局限性,需要先进的方法来准确分析ERP组件.
研究的目的:
- 提出和评估两种基于神经网络的新方法,用于在单个试验中量化ERP组件.
- 将这些神经网络方法的性能与使用模拟和实验数据的现有技术进行比较.
主要方法:
- 开发两个不同的神经网络模型,用于单次试验ERP组件量化.
- 使用模拟的EEG数据在各种信号噪声比率上进行验证.
- 对两个实验数据集的应用,重点是P300和N400组件.
主要成果:
- 神经网络在模拟数据上估计ERP组件形状和地形方面表现优于传统方法.
- 神经网络衍生的P300延迟在一个实验数据集中显示出与反应时间的最高相关性.
- 单一试验的延迟估计显示,N400效应的与年龄相关的幅度减少,独立于延迟变化.
结论:
- 神经网络为单个试验中量化ERP组件提供了显著的优势,提供了更丰富的关于时间变化的信息,并改进了组件形状/地形估计.
- 这些方法通过准确地捕捉试验对试验的变化来增强神经过程的分析.
- 一个限制是需要模拟数据进行培训,特别是当ERP组件事先未被明确定义时.
