任务相关的自动编码增强了人类神经科学的机器学习
Seyedmehdi Orouji1, Vincent Taschereau-Dumouchel2,3, Aurelio Cortese4
1Department of Cognitive Sciences, University of California, 2201 Social & Behavioral Sciences Gateway, Irvine, CA, 92697, USA. sorouji@uci.edu.
Scientific reports
|January 8, 2025
概括
一种新的机器学习方法,Task-Relevant Autoencoder via Classifier Enhancement (TRACE),可以有效地识别行为相关的神经模式. TRACE 改进了人类神经科学的数据分析,在功能磁共振成像数据上表现优于标准模型.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 神经科学中的机器学习模型往往需要大量的数据集,导致有限的人类神经成像数据过度匹配.
- 识别与行为相关的神经模式对于理解大脑功能至关重要.
研究的目的:
- 开发一种新的机器学习模型,TRACE,用于识别人类神经成像数据中的行为相关的神经模式.
- 通过模拟和真实功能磁共振成像 (fMRI) 数据与标准模型对TRACE的性能进行评估.
主要方法:
- 通过分类器增强 (TRACE) 模型开发了任务相关的自动编码器.
- 将TRACE与标准自动编码器和其他在截断机器学习数据集上的模型进行比较.
- 对59名观察动物和物体的受试者的fMRI数据进行了TRACE评估.
主要成果:
- 与其他替代模型相比,TRACE 显示出更高的性能.
- 在分类准确度上实现了高达12%的提高.
- 在发现更清洁,与任务相关的神经表征方面表现出高达56%的改进.
结论:
- 对于分析人类神经成像数据来说,TRACE是一个有前途的工具,尤其是在数据集有限的情况下.
- 该模型有效地提取行为相关的神经模式,克服传统自动编码器的局限性.
- 对于各种类型的人类行为数据,TRACE具有广泛的适用性.
