数据不确定性 (DU) -前者:为训练前和后评估的情节性记忆电脑图形分类模型

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:

• 插曲性记忆训练对于认知增强和缓解与年龄相关的记忆衰退至关重要.
• 电脑电图 (EEG) 提供客观的神经活动评估,但由于信号的变化和复杂性,它面临分类挑战.
• 像SVM和CNN这样的现有方法在特征提取和EEG数据中对记忆评估的不确定性方面扎.

研究的目的:

• 介绍DU-former,一种新的深度学习模型,用于在情节性记忆评估中进行强大的EEG分类.
• 改进特征提取并增强模型对噪声和EEG信号数据不确定性的弹性.
• 为了评估DU-former在捕捉神经活动中发生的变化后插曲性记忆训练的有效性.

主要方法:

• 开发了DU-former,通过将输入特征建模为高斯分布来结合数据不确定性 (DU) 学习.
• 使用重定量化模块来预测强大的特征表示的平均值和方差.
• 在28天内与17名参与者进行了情节性记忆训练实验,收集行为和EEG数据.

主要成果:

• 行为数据显示,任务完成时间和对象识别准确度显著改善.
• 前DU在培训后的EEG分类准确度显著改善.
• 该模型在处理复杂和杂的EEG数据时显示出增强的稳定性.

结论:

• 在情节性记忆评估中,DU-former提供了一种更有效,更强大的EEG信号分类方法.
• 不确定性学习是一种有价值的方法,可以提高基于EEG的认知评估的性能.
• 这些发现支持DU-former的实用性,用于评估认知训练干预措施的有效性.