认知神经科学数据的混合统计和机器学习建模

科学领域:

• 神经科学是一个神经科学.
• 统计 统计 统计 统计
• 机器学习 机器学习

背景情况:

• 嵌套数据结构在认知神经科学实验中很常见,这些实验从受试者内多个大脑位置进行重复测量.
• 现有的分析方法往往忽略了这些重复测量的固有依赖性结构,可能导致不准确的结论.
• 需要先进的分析方法来解释认知神经科学中的数据依赖性.

研究的目的:

• 为了比较分析嵌套神经科学数据的统计和机器学习方法,考虑重复测量的依赖结构.
• 评估各种算法的性能,包括混合形式,在新的神经科学数据集上.
• 用受污染的数据集和交叉验证来评估算法拟合性能.

主要方法:

• 探索统计方法 (例如,通用线性混合模型) 和适应重复测量的机器学习算法.
• 实现和比较不同的算法,包括混合方法.
• 通过交叉验证对受污染的数据集使用诸如平均平方误差 (MSE),根平均平方误差 (RMSE) 和平均绝对误差 (MAE) 等指标来评估模型性能.

主要成果:

• 通用线性混合模型 (GLMM) 树,结合功能近红外光谱 (fNIRS) optode位置的随机术语指数,表现出最好的预测性能.
• 在评估的方法中,GLMM树获得了最低的MSE,RMSE和MAE.
• 在预测准确度和计算速度之间观察到一个权衡,GLMM树需要最多的计算时间.

结论:

• 通过有效处理依赖关系,GLMM树提供了一种强大的方法来分析嵌套的认知神经科学数据.
• 对fNIRS数据的准确分析需要考虑嵌套结构和测量依赖性的方法.
• 研究人员必须在选择复杂的神经科学数据集的分析方法时考虑计算成本和预测准确性之间的平衡.