低级图像统计对EEG解码语义内容在多变量和单变量模型中的贡献,具有特征优化
Eric Lützow Holm1, Diego Fernández Slezak2, Enzo Tagliazucchi3
1National Scientific and Technical Research Council (CONICET), Godoy Cruz 2290, CABA 1425, Argentina; Institute of Applied and Interdisciplinary Physics and Department of Physics, University of Buenos Aires, Pabellón 1, Ciudad Universitaria, CABA 1425, Argentina.
NeuroImage
|April 27, 2024
概括
在脑电图 (EEG) 数据上训练的机器学习模型可以解码视觉刺激语义. 然而,模型优化会影响对低级图像特征的敏感性,这凸显了大脑活动分析中需要仔细选择特征的必要性.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 机器学习 机器学习
背景情况:
- 大脑活动模式编码来自视觉刺激的语义信息.
- 解读这些信息很容易混低级图像特征.
- 了解模型对这些混的稳定性对于可靠的语义解码至关重要.
研究的目的:
- 为了研究低级图像特征对机器学习模型的影响,机器学习模型从EEG数据中解读视觉语义.
- 为了比较多变量和单变量模型的稳定性,以混图像统计.
- 评估模型优化策略如何影响对混因素的敏感性.
主要方法:
- 在THINGS-EEG数据集上使用脑电图 (EEG) 数据训练机器学习模型.
- 使用快速串行视觉呈现范式来获取数据.
- 将一个多变量模型 (宽带EEG) 与一个单变量模型 (空间/频率领域的数据驱动特征选择) 进行比较.
主要成果:
- 单变量模型显示出更高的解码精度,但对低级图像特征混的稳定性较低.
- 一些模型即使与语义上无关的训练数据共享类似的低级特征,也保持了准确性.
- 模型优化策略影响了对混因素的敏感性,无论分类性能如何.
结论:
- 模型优化极大地影响了对EEG语义解码中的混因素的敏感性.
- 仅靠分类器的性能就不足以选择EEG特征;神经生物学相关性也应该考虑.
- 对功能选择标准进行仔细考虑是强大的,可解释的大脑与计算机接口的必要条件.
