在自然主义神经科学中,跨个体共享的时空EEG表示的对比学习
Xinke Shen1, Lingyi Tao2, Xuyang Chen3
1Department of Biomedical Engineering, Tsinghua University, Beijing, China; Department of Biomedical Engineering, Southern University of Science and Technology, Shenzhen, China.
NeuroImage
|October 17, 2024
概括
这项研究介绍了共享空间时间EEG表现的对比学习 (CL-SSTER),这是一个新的框架,用于识别使用电脑电图 (EEG) 数据在个人中发现常见的大脑活动模式. CL-SSTER有效地从自然主义刺激中提取共享的神经表征,改善主体间的相关性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 了解个体大脑对自然刺激的反应对神经科学至关重要.
- 在不同个体中识别一致的神经模式需要先进的分析技术.
- 脑电图 (EEG) 为研究大脑活动提供了丰富的时空数据.
研究的目的:
- 开发一个框架来学习来自个人之间的EEG数据共享的神经表征.
- 增强大脑活动中一致的时空模式的识别和提取.
- 在分析对自然刺激的反应时改进主体间相关性 (ISC).
主要方法:
- 一个新的框架,共享时空EEG表示的对比学习 (CL-SSTER) 被开发出来.
- CL-SSTER采用对比式学习来最大限度地提高个人对相同刺激的EEG表示的相似性.
- 该网络整合了空间和时间的卷积,以捕捉固有的EEG模式.
主要成果:
- 在三个不同的EEG数据集 (合成,语音,情绪) 上,CL-SSTER表现出了卓越的性能.
- 与现有最先进的方法相比,该框架实现了最高的学科间相关性 (ISC) 值.
- 生成的潜伏表示揭示了与刺激特性相关的可靠的时空EEG模式.
结论:
- CL-SSTER提供了一种可解释和可扩展的方法来识别主体间共享的神经表征.
- 该框架推动了神经科学中对自然刺激的神经反应的分析.
- 这种方法有助于更深入地了解人类大脑处理中的共同点.
