fMRINet:重新利用EEGNet模型,在fMRI数据中识别情绪兴奋状态

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 大脑与计算机的接口

背景情况:

• 功能磁共振成像 (fMRI) 提高了对情感与大脑关系的理解.
• 高维的fMRI数据挑战了传统的机器学习来对情绪进行分类.
• 深度学习 (DL) 为复杂的大脑数据分析提供了潜在的解决方案.

研究的目的:

• 开发一种新的深度学习方法,从fMRI数据中分类情绪兴奋水平.
• 适应EEGNet架构用于fMRI信号分析,特别是对于有限的数据集.
• 评估拟议的fMRINet模型在识别情绪状态方面的表现.

主要方法:

• 适应了EEGNet深度学习架构用于fMRI数据分析.
• 使用标准的大脑图谱向大脑区域映射fMRI信号.
• 将fMRINet模型应用于二维fMRI时间序列数据.
• 在典型和临床参与者数据上评估模型性能.

主要成果:

• 在分类情绪状态方面,fMRINet模型在70%至72%之间实现了有希望的平衡准确性.
• 证明了对fMRI数据的EEG专注深度学习模型 (EEGNet) 的成功调整.
• 展示了该模型在识别不同参与者群体中的情绪状态方面的有效性.

结论:

• fMRINet方法为使用fMRI数据进行情绪状态分类提供了可行的深度学习解决方案.
• 该研究强调了将其他神经成像模式 (EEG) 的架构适应fMRI的潜力.
• 这些发现有助于大脑状态分类技术的进步,特别是在数据有限的场景中.