从EEG数据中理解学习:结合机器学习和基于隐藏马尔科夫模型和混合模型的特征工程

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:

• 在导航过程中,theta振荡 (4-8 Hz) 对于空间学习和记忆至关重要.
• 额头的西塔振荡特别涉及到空间导航和记忆过程.
• 脑电图 (EEG) 数据的复杂性为解释与行为相关的神经信号带来了挑战.

研究的目的:

• 根据空间导航任务期间的EEG数据,研究机器学习技术在将参与者分为学习者或非学习者的有效性.
• 用隐藏的马尔科夫和线性混合效应模型评估特征工程对分类性能的影响.
• 评估不同EEG数据标准化方法对分类准确性的影响.

主要方法:

• 使用隐藏的马尔科夫和线性混合效应模型,从正面的THETAEEG数据中设计了特征.
• 应用了六个机器学习算法来根据早期 (第一) 和晚期 (最后) 试验的工程特征来分类学习者和非学习者参与者.
• 使用EEG衍生的特征与仅基于坐标的特征 (例如空时间,平均速度) 的比较分类性能.

主要成果:

• 基于坐标的特征通常在大多数机器学习方法中产生更好的分类性能.
• 深度神经网络在单独使用thetaEEG数据时,在ROC曲线下的面积超过了80%.
• 当与深度神经网络相结合时,thetaEEG数据的标准化显著改善了分类性能.

结论:

• 标准化脑电图 (EEG) 数据和使用深度神经网络可以提高空间学习任务中学习者和非学习者主题的分类.
• 虽然基于坐标的特征是有效的,但来自EEG的特征,特别是像DNN这样的先进模型,为学习过程提供了宝贵的见解.