在隐藏对象视觉搜索任务中早期检测人类决策:EEG-BiLSTM研究

科学领域:

• 认知神经科学 认知神经科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 检测隐藏的物体是具有挑战性的,需要大量的人类注意力和认知努力.
• 目前用于评估这些任务的绩效的方法往往缺乏客观的神经相关性.
• 了解视觉搜索和决策的神经机制对于改善人机交互至关重要.

研究的目的:

• 用电脑电图 (EEG) 信号量化隐藏物体检测任务中的决策性能.
• 开发和验证一个深度学习模型,以基于神经活动来预测准确性.
• 识别大脑区域和神经元件对于隐藏的视觉搜索和决策至关重要.

主要方法:

• 参与者参与了一个决策的实验范式,涉及隐藏的物体作为刺激.
• 在任务期间记录了脑电图 (EEG) 信号.
• 一种深度学习模型,特别是双向长期短期记忆 (BiLSTM),应用于EEG数据来预测决策准确性.
• 进行了连续EEG组件的分析,以阐明潜在的神经机制.

主要成果:

• BiLSTM分类器实现了96.1%的高预测准确度.
• 观察到最佳预测性能是在刺激开始后500毫秒的时代化时间范围内.
• 头顶尾大脑区域被确定为分类器信息信号的关键来源.
• 为了解释涉及的神经过程,分析了不同的EEG组件.

结论:

• 深度学习模型可以有效地利用EEG信号预测隐藏物体检测任务中的人类准确性.
• 头顶尾皮质在隐藏的视觉搜索和决策的神经处理中发挥着重要作用.
• 这些发现支持开发先进的警报系统,以提高关键任务中的人类决策性能.