在短期记忆任务中基于ROI的fMRI数据的分类,使用区分分析和神经网络进行区分分析

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:

• 了解大脑功能需要分析大脑活动中的时空模式.
• 功能性磁共振成像 (fMRI) 和机器学习 (ML) 是检测有趣的大脑区域 (ROI) 之间的功能连接的关键工具.
• 将ML方法与特定问题的匹配对于提取有关ROI连接的有意义信息至关重要.

研究的目的:

• 在工作记忆实验中应用ML技术来对任务进行分类.
• 识别特定的大脑区域参与在工作记忆期间的信息处理.
• 区分大脑对视觉刺激 (视觉空间,口头) 和实验阶段 (编码,检索) 的反应.

主要方法:

• 利用经典的区分器和神经网络 (卷积,残余) 来进行大脑活动分类.
• 采用考虑特征相关性的算法来确定模型准确性的重要ROI.
• 分析了fMRI数据,以区分工作记忆任务的静止状态,编码和检索阶段.

主要成果:

• 在内存检索过程中,LGBM分类器在单个时间点数据中表现最好.
• 一个卷积神经网络在编码阶段实现了最高性能.
• 检索期间的大脑信号与静止状态明显区分开来,与编码信号不同.
• 证实了基底在记忆检索过程中信息处理中的关键作用.

结论:

• 机器学习算法对于调查工作记忆动态是有益的.
• 确定了工作记忆编码和检索过程中的关键大脑区域和时空区别.
• 与编码和休息状态相比,工作记忆检索过程表现出不同的大脑信号结构.