贝叶斯减少等级回归模型可以概括的神经指纹,在磁脑图数据中区分个人

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 磁脑电图 (MEG) 研究表明功能连接 (FC) 和功率光谱可以作为神经指纹.
• 以前的方法主要使用相关性来区分个体,但概括性仍然不清楚.

研究的目的:

• 为了评估机器学习方法,潜噪贝叶斯减少等级回归 (BRRR),用于模拟静态MEG数据中的个体差异.
• 评估BRRR模型在识别跨个体和测量会话中独特的神经功能模式的概括性.

主要方法:

• 利用了来自人类结合体项目 (HCP) 的静止状态MEG数据.
• 应用潜噪贝叶斯减少等级回归 (BRRR) 与功能连接 (FC) 和功率光谱作为神经特征.
• 训练BRRR模型来区分个体,并测试它们在识别后续会话和新课题方面的准确性.

主要成果:

• BRRR模型准确地复制了通过基于关联的指纹识别发现的差异.
• 性能最好的BRRR模型在仅使用20个空间光谱元件的测量过程中,在识别受试者的准确度超过90%.
• 交叉验证证明了新型主题的成功分类,准确度超过80%.

结论:

• 个人神经功能差异可以使用低维预测模型从MEG数据中可靠地提取.
• BRRR方法证明了强大的概括性,可以根据其独特的大脑模式来分类新的主题.