在使用量子回火算法进行认知任务时,研究CSAT分数和前额前部fNIRS信号之间的关系

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 计算智能是一种计算智能.

背景情况:

• 学业成绩与认知能力有关,需要对预测标记物的研究.
• 神经成像技术,如功能近红外光谱 (fNIRS) 提供了对大脑活动及其与认知表现的关系的见解.
• 了解学术成功的神经相关性对于教育和认知研究至关重要.

研究的目的:

• 调查fNIRS测量的前额头大脑活动与学业成绩 (CSAT分数) 之间的关联.
• 在fNIRS数据中应用一种新的量子化器 (QA) 算法来进行特征选择,以确定相关的认知任务.
• 为了比较基于质量保证的功能选择性能与经典机器学习算法,如XGBoost.

主要方法:

• 从两个时间窗口 (10s和60s) 的前额 fNIRS 数据中提取了十二个信号特征.
• 使用量子化器进行特征选择,以确定与CSAT分数相关的认知任务.
• 使用XGBoost和多重线性回归模型验证特征选择性能,评估模型适应性 (调整R) 和预测错误 (RMSE).

主要成果:

• 量子化在fNIRS数据中的特征选择方面显示了与XGBoost相似的性能.
• 确定了特定的认知任务 (口语流,识别,Corsi块敲击) 和学业成绩之间的显著相关性.
• 在伦敦塔和N-back任务之间发现了更强的关联,具有更高的CSAT分数.

结论:

• 量子化为神经成像数据中的特征选择提供了一个有前途的方法,特别是fNIRS.
• 具体的认知任务与学业成绩有明显的联系,为评估和干预提供了潜在的途径.
• 这项研究为使用先进的计算方法探索学术成功的认知预测因素开辟了新的可能性.