估计心理旋转的个体特异的神经相关值:一种机器学习方法

科学领域:

• 认知神经科学 认知神经科学
• 机器学习在神经成像中的应用

背景情况:

• 心理旋转任务对于理解复杂的认知过程和监测神经系统疾病至关重要.
• 之前关于神经旋转神经相关的研究主要使用小组分析,限制了个人预测能力.
• 需要个性化模型来捕捉认知任务期间独特的神经活动模式.

研究的目的:

• 开发和验证一个个性化定制的机器学习方法,用于识别心理旋转期间个体特定的神经活动模式.
• 使用电脑电图 (EEG) 数据,提高行为反应 (反应时间) 的预测准确度.

主要方法:

• 训练有素的回归模型使用个人特定的脑电图 (EEG) 数据来预测心理旋转任务中的反应时间.
• 在同一个个体的独立数据上测试模型性能,并将其与基于平均反应时间的预测进行比较.
• 通过测试人与人之间的预测,并结合个人特定的地形活动模式来评估模型的概括性.

主要成果:

• 与使用平均反应时间 (p < .001) 相比,个别定制的回归模型显著提高了反应时间预测的准确性.
• 当模型对来自不同个人的数据进行测试时,预测准确性显著下降,这突显了个性化的重要性.
• 结合个人特定的反应时间和地形活动模式,提高了预测模型的通用性.

结论:

• 一种个性化的机器学习方法来分析心理旋转的神经相关物,可以显著改善行为反应的预测.
• 个性化模型在捕获独特的神经特征和提高预测性能方面优于群体级别分析.
• 这种方法有望为更精确的认知任务建模,并可能用于神经系统疾病的临床应用.