机器学习识别了美国成年人的频率跟踪反应:参考光谱图和刺激令牌的影响
Sydney W Bauer1, Fuh-Cherng Jeng1, Amanda Carriero1
1Communication Sciences and Disorders, Ohio University, Athens, OH, USA.
Perceptual and motor skills
|August 16, 2024
概括
机器学习在训练个体或平均脑活动模式时,显著改善了脑干频率跟踪响应 (FFRs). 这增强了对潜在的临床应用的电生理学分析.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 信号处理 信号处理
背景情况:
- 电生理学研究大脑对声音的反应.
- 频率跟踪响应 (FFR) 是听觉编码的一个关键指标.
- 目前的FFR记录和分析存在局限性.
研究的目的:
- 通过改进的源分离机器学习算法来增强频率跟踪响应 (FFR).
- 调查特定机器学习算法 (SSNMF) 对于FFR增强的有效性.
- 评估不同培训参考对FRR质量的影响.
主要方法:
- 招募了28名听力正常的英语母语人士.
- 在听觉刺激期间记录的脑电图 (EEG) 信号 (/i/和/da/标记).
- 应用源分离非负矩阵分解 (SSNMF) 算法,使用个人,大平均或刺激令牌光谱图进行训练.
主要成果:
- 当SSNMF使用个人和大平均谱图进行训练时,FFR显著增强 (p < .001).
- 在使用刺激令牌光谱图训练时没有观察到显著的增强.
- 在 /i/ 和 /da/ 刺激令牌中发现了类似的增强模式.
结论:
- 在适当训练时,SSNMF机器学习算法有效地增强了FFR.
- 用个人和大平均频谱的培训对于FFR改进至关重要.
- 这一进步有望改善FFR的获取,分析和临床效用.
更多相关视频
08:05Measuring Statistical Learning Across Modalities and Domains in School-Aged Children Via an Online Platform and Neuroimaging Techniques
Published on: June 30, 2020
7.5K
05:48Author Spotlight: Investigating the Impact of Emotional Prosodies on Voice Recognition and Perception
Published on: August 9, 2024
1.4K
