深度学习模型作为基于EEG的功能性大脑网络的学习者
1School of Computing and Artificial Intelligence, Southwestern University of Finance and Economics, Chengdu 611130, People's Republic of China.
Journal of neural engineering
|February 26, 2025
概括
深度学习模型可以从EEG数据中学习一些功能性大脑网络 (FBN) 连接,但与拓结构作斗争. 建议将FBN方法和深度学习结合在一起的混合方法用于全面的EEG分析.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 机器学习 机器学习
背景情况:
- 功能性大脑网络 (FBN) 方法经常与深度学习 (DL) 结合用于脑电图 (EEG) 分析.
- 目前的方法通常涉及两个步骤的过程:用于特征提取的FBN构建,然后进行DL模型分析.
- 将FBN结构直接集成到DL模型中,可以实现对EEG表示的端到端学习.
研究的目的:
- 调查深度学习模型是否可以有效地从EEG数据中学习功能性大脑网络构建的过程.
- 通过评估DL模型复制FBN矩阵的能力来验证DL模型学习FBN结构的能力.
主要方法:
- 利用深度学习模型来学习功能性大脑网络 (FBN) 矩阵,这些矩阵来自脑电图 (EEG) 数据.
- 在两个公共EEG数据集上测试了七个DL模型,以学习四个代表性的FBN矩阵.
- 使用平均平方误差 (MSE),皮尔森相关系数 (Corr) 和一致性相关系数 (CCC) 评估模型性能.
主要成果:
- 深度学习模型展示了低MSE和高Corr/CCC的连贯性网络.
- DL模型捕捉了FBN的总体结构,但很难准确地建模特定区域.
- 配对的t测试显示,大多数网络的预测和实际网络拓性质 (全球效率,节点度) 之间存在显著差异 (p<0.05).
结论:
- 深度学习模型可以从EEG数据中学习某些功能性大脑网络 (FBNs) 的连接关系.
- 目前DL模型很难完全捕捉FBN的内在拓结构.
- 将传统的FBN方法与深度学习相结合的混合策略对于全面的EEG分析至关重要.
