神经成像数据分类的大脑启发的时空关联记忆:EEG和fMRI
Nikola K Kasabov1,2,3,4,5,6, Helena Bahrami1,7,8,9, Maryam Doborjeh1
1Knowledge Engineering and Discovery Research Innovation, School of Engineering, Computer and Mathematical Sciences, Auckland University of Technology, Auckland 1010, New Zealand.
Bioengineering (Basel, Switzerland)
|December 23, 2023
概括
在完整的神经成像数据上训练的大脑启发的空间时间联想记忆 (STAM) 模型可以只使用部分数据准确地回忆信息. 这证明了用于大脑数据分析的有效时间和空间概括.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 人类的决策依赖于整合信息,在大脑中形成时空关联.
- 现实世界的决策往往涉及不完整的信息 (有限的变量或时间).
- 大脑的功能是时空联想记忆.
研究的目的:
- 将空间时间联想记忆 (STAM) 框架应用于神经成像数据 (EEG和fMRI).
- 在对完整数据进行培训后,开发能够使用部分数据进行分类的STAM模型.
- 在时间和空间领域评估STAM模型的概括准确性.
主要方法:
- 使用了NeuCube大脑启发的尖端神经网络框架.
- 开发了用于脑电图 (EEG) 和功能磁共振成像 (fMRI) 数据的STAM模型.
- 在完整的时空数据集上训练了分类模型,并使用部分时间序列和/或变量测试了回忆.
主要成果:
- 经过训练的STAM模型仅使用部分EEG或fMRI数据,证明了准确的回忆和分类性能.
- 评估了时间和空间关联和概括的准确性.
- 这项研究证实,STAM可以有效地从完整到部分数据进行概括.
结论:
- 开发的STAM-EEG和STAM-fMRI模型显示了使用部分信息对神经成像数据进行分类的潜力.
- 这项试点研究为将STAM应用于其他神经成像模式 (如纵向MRI) 开辟了道路.
- 未来的研究将重点关注STAM在诊断和预测大脑疾病以及发现生物标志物的应用.
