通过数据膨胀和分类模型可解释性评估与任务相关的动态大脑连接

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:

• 分析大脑功能需要理解内在大脑网络之间的动态切换.
• 传统的功能连接方法在时间分辨率和可解释性方面面临局限,这是由于统计上的限制.

研究的目的:

• 开发一种新的功能连接分析方法,以提高电脑电图 (EEG) 分类中的可解释性.
• 引入一种增强原始EEG数据分解的方法,以更好地解释过程.

主要方法:

• 通过EEG分类可解释性提出了功能连接分析的新方法.
• 引入动态影响数据膨胀 (DIDI) 来提取电极区域之间的相互作用信号.
• 用一个端到端的神经网络分类器来对原始EEG信号进行分类,并使用突出性地图估计.

主要成果:

• 在两个公共数据集 (想象的运动和情绪分类) 上证明了更好的分类准确性.
• 透露了通过动态连接支持地图影响分类决策的连接动态.
• 展示了增强的解释性和更高的分类准确性的双重好处.

结论:

• 拟议的方法提供了一个强大的工具,以了解大脑连接动态.
• 这种方法提高了基于EEG的大脑功能分析的准确性和可解释性.
• 动态连接支持地图为基础分类任务的神经过程提供了宝贵的见解.