使用脑电图轨迹预测隐性协调成功:任务难度的影响
Dor Mizrahi1, Ilan Laufer1, Inon Zuckerman1
1Department of Industrial Engineering and Management, Ariel University, Ariel 4070000, Israel.
Sensors (Basel, Switzerland)
|December 9, 2023
概括
这项研究使用机器学习和空间脑电图 (EEG) 来预测无通信游戏中的玩家协调. 模型性能因任务难度而异,表明EEG兼容性预测了成功的默契协调.
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:
- 默默的协调游戏要求玩家在没有沟通的情况下选择相同的选项.
- 由于缺乏明确的沟通,预测成功的协调是具有挑战性的.
- 了解协调的神经相关性可以为非语言协作提供见解.
研究的目的:
- 开发一种机器学习模型,利用空间EEG特征预测隐性协调游戏中的协调水平.
- 根据协调任务的难度来评估模型的灵敏度和性能.
- 研究EEG信号兼容性与成功协调之间的关系.
主要方法:
- 对空间脑电图 (EEG) 功能进行分析,以测量玩家的大脑活动之间的相似性.
- 开发一种用于预测协调成功的机器学习模型.
- 使用精度,回忆和F1得分对模型性能进行评估,与代表任务难度的协调指数 (CI) 相关联.
- 应用随机步行算法来分类大脑模式之间的空间距离.
主要成果:
- 机器学习模型在预测协调方面的表现对协调指数 (CI) 很敏感,反映了任务难度.
- 分类准确性 (精度和回忆) 在不同级别的协调难度上有很大差异.
- 脑电图信号的兼容性对成功的默默协调的可预测性产生了可衡量的影响.
结论:
- 分析空间EEG特征的机器学习模型可以预测默许协调游戏中的协调水平.
- 由CI量化的协调任务难度,显著影响了基于EEG的协调预测的性能.
- 这项研究为理解非语言协调的神经机制和开发预测模型开辟了道路.
