直接比较EEG休息状态和任务功能连接模式用于预测工作记忆性能,使用基于连接组的预测建模

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:

• 休息状态神经影像对认知研究有价值.
• 基于任务的fMRI研究表明,与静止状态相比,对认知结果的预测能力更强.
• 这种假设仍然没有通过脑电图 (EEG) 数据进行测试.

研究的目的:

• 在静止状态和听觉工作记忆任务期间使用高密度EEG数据进行预测模型的首次实验比较.
• 评估基于任务的对抗休息状态EEG对认知表现的预测能力.
• 确定影响预测准确性的关键神经连接特征.

主要方法:

• 在休息状态和听觉工作记忆任务期间收集高密度EEG数据.
• 为了稳定性,采用多个数据处理管道.
• 利用基于连接组的预测建模 (CPM) 并使用皮尔森相关性,MAE和RMSE评估性能.

主要成果:

• 基于任务的EEG数据显示,预测性能略高于静止状态EEG.
• 预测和观察到的工作记忆得分之间的峰值相关性达到r = 0.5.5.
• 阿尔法和β频段的功能连接是最强的预测因素,其次是和频段.
• 土地分配地图和连接方法对结果产生了重大影响.

结论:

• 基于任务的EEG在预测认知表现方面比静止状态EEG具有优势,与fMRI发现一致.
• 频率特定的功能连接,特别是在α和β频段,对于预测建模至关重要.
• 方法选择显著影响模型结果,需要在实验设计中仔细考虑.