通过应用机器学习算法来检测非聚焦的EEG时代
Rafia Akhter1, Fred R Beyette1
1Department of ECE, College of Engineering, University of Georgia, Athens, GA 30602, USA.
Sensors (Basel, Switzerland)
|August 10, 2024
概括
无监督的机器学习算法 (MLA) 准确地识别电脑图 (EEG) 数据中的不聚焦时代,性能优于人类检查和标准工具. 这促进了与事件相关的潜能 (ERP) 在现实世界中作为可靠的生物标记物的使用.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 生物标志物开发 生物标志物开发
背景情况:
- 电脑电图 (EEG) 记录人类大脑活动,与事件相关的潜能 (ERP) 作为认知过程的生物标志物.
- 现实世界ERP研究受到控制实验变量和受试者注意力的挑战所限制.
- 在严格的实验室环境之外,开发确保ERP可靠性的方法至关重要.
研究的目的:
- 评估无监督机器学习算法 (MLAs) 用于识别受文物影响的ERP时代.
- 为了比较MLA性能与人类检查和EEGLab用于文物检测.
- 为了使ERP作为活跃生物标志物的使用在控制较少的环境中.
主要方法:
- 在各种实验条件下使用听觉奇怪模式收集EEG数据.
- 分析了ERP时代,以检测受文物和外部扭曲影响的非聚焦数据.
- 应用了四个无监督的MLA来识别不聚焦的时代,并将它们的准确性与人类分析和EEGLab进行了比较.
主要成果:
- 所有四个无监督的MLA都在识别非聚焦的ERP时代时达到95-100%的准确性.
- 与人类观察者相比,MLAs表现出在ERP模式中检测微妙偏差的能力更强.
- 无监督的MLA在检测人工时代方面超过了人类检查和EEGLab.
结论:
- 无监督的MLA在识别非聚焦的ERP时代方面非常有效,超过了传统方法.
- 这种方法增强了ERP作为可靠生物标志物在现实应用中的潜力.
- 机器学习为提高ERP数据分析的质量和一致性提供了一个强大的解决方案.
