功能图形图像表示应用于基于EEG的精神工作负载分类

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:

• 机器学习和统计信号处理越来越多地使用图形表示来推断和估计问题.
• 来自脑电图 (EEG) 信号的功能连接分析是一个关键的应用领域.
• 当前的功能连接度量通常由于体积传导而遭受冗余信息,并忽视电极位置.

研究的目的:

• 从EEG信号开发功能连接分析的创新方法.
• 通过利用功能图的图像表示来改进心理工作负载 (MW) 的分类.
• 在图形表示中明确编码电极位置和稀疏的功能连接.

主要方法:

• 功能图是从EEG信号中学习的,在稀疏性和结构约束下,以图像形式表示.
• 电极位置和稀疏的功能连接在图像表示中被明确编码.
• 卷积神经网络 (CNN) 处理这些图像以提取隐藏的特征以推断.

主要成果:

• 拟议的方法在公开数据集上的心理工作负载 (MW) 分类中显示出有希望的性能.
• 与传统的空间过技术相比,这种方法显示了更好的结果.
• 性能也优于依赖于手工制作的功能连接的方法.

结论:

• 从EEG信号中学习的功能图的图像表示为连接性分析提供了有效的方法.
• 显式编码空间信息和稀疏的连接性提高了机器学习模型的性能.
• 这种方法显示了推进基于EEG的应用程序的潜力,例如精神工作负载分类.