揭示大脑连接:用于EEG表示学习的图形嵌入和结构和功能连接的比较分析

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 电脑电图 (EEG) 对于理解大脑活动至关重要.
• 运动图像的分类需要精确的模型的大脑连接.
• 目前用于大脑连接分析的现有方法存在局限性.

研究的目的:

• 开发新的深度学习模型,用于增强EEG运动图像分类.
• 为了利用图形嵌入来改进大脑连接模型.
• 为了更深入地了解大脑功能和神经疾病.

主要方法:

• 提出了两个基于图的卷积神经网络:基于相邻的CNN (Adj-CNNM) 和相锁定值CNN (PLV-CNNM).
• Adj-CNNM利用结构性大脑连接来嵌入空间信息.
• PLV-CNNM 整合了功能连接,以确定特定区域的连接.

主要成果:

• 在基准数据集上,Adj-CNNM实现了72.77%的准确性,超过了基准方法.
• 在1-51赫兹范围内,PLV-CNNM获得了75.10%的整体精度,对于特定频段的高精度 (例如,α波的91.9%).
• 在运动成像任务中,PLV-CNNM确定了前,中和顶层皮层之间的强有力的连接.

结论:

• 拟议的深度学习模型显著提高了EEG运动图像分类的准确性.
• 图形嵌入为模拟各种大脑连接类型提供了一种强大的方法.
• 这些发现为大脑功能提供了宝贵的见解,并为神经系统疾病研究提供了潜在的应用.