评估P300神经信号分类的深度学习性能

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学信号处理

背景情况:

• P300事件相关潜力 (ERP) 信号是评估认知功能的关键神经生物标志物,特别是在患有神经疾病的患者中.
• 准确的P300信号分类是必不可少的,但现有的模型产生不一致的结果,缺乏对最佳方法的共识.
• 神经系统疾病研究需要可靠的P300信号分析来评估认知功能.

研究的目的:

• 评估和比较P300信号分类的经典机器学习和新型深度学习方法的性能.
• 在学科内部和跨学科培训范式中评估分类性能.
• 确定深度学习模型在临床环境中用于泛化,主体独立的P300分类的潜力.

主要方法:

• 评估了经典的机器学习 (一步线性差异分析 - SWLDA) 和深度学习模型 (EEG-Inception).
• 使用了一个包含75个受试者的P300信号的数据集.
• 在学科内部和学科间的培训和测试场景中比较模型性能.

主要成果:

• 深度学习模型在参加活动的分类中获得了高F1分数.
• 在主体内范式中,深度学习模型的表现并没有超过SWLDA.
• 在跨学科范式中,EEG-Inception显著超过了SWLDA,展示了优越的概括能力.

结论:

• 深度学习模型显示了P300信号分类的潜力,特别是在跨学科的场景中,减少了对学科特定校准的需求.
• 在主题内P300分类任务中,SWLDA仍然表现强.
• 这些发现表明,深度学习模型可以为P300分析的临床应用提供更普遍的方法.