通过使用可解释的卷积神经网络,探索基于fNIRS的脑状态识别和可视化
概括
本研究引入了一个可解释的机器学习模型,用于功能近红外光谱 (fNIRS) 数据. 这种新的方法提高了分类的准确性,并提供了关于运动任务期间大脑活动的见解.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 功能近红外光谱学 (fNIRS) 是一种不断发展的神经成像技术,在临床研究中越来越多地使用.
- 目前在fNIRS中的机器学习应用缺乏可解释性,并与有限的临床数据样本大小作斗争.
- 需要有可解释的模型,可以有效地分析fNIRS数据,并进行最小的预处理.
研究的目的:
- 为 fNIRS 数据分析开发一个可解释的机器学习模型.
- 为了实现精确的分类与最小的人类操作,通道选择,或特征提取.
- 使用特定类的梯度信息可视化生物标志物并识别重要的大脑区域.
主要方法:
- 使用了所有可用的fNIRS通道进行分析.
- 开发了一种新的可解释机器学习模型.
- 采用特定类的梯度信息用于生物标志物可视化和区域定位.
主要成果:
- 开发的可解释模型在主题内部分类中比传统的支持矢量机 (SVM) 方法准确率高出6%.
- 该模型通过专注于右脑任务的左脑信号和左脑任务的右脑信号来证明生理相关性.
- 特定类的梯度成功地可视化了重要的大脑区域和生物标志物.
结论:
- 可解释的基于fNIRS的机器学习模型提供了更高的分类准确性和可解释性.
- 该模型识别相关大脑区域的能力支持其生理学有效性.
- 这种方法有可能用于诊断神经疾病和预测治疗结果的临床应用.
