关于注意力和响应选择过程对多组件行为的相对重要性 - - 基于EEG的深度学习的证据

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 人工智能的人工智能

背景情况:

• 目标导向的行动往往涉及连续的步骤,需要复杂的认知处理.
• 了解多元组件行为中认知负载的神经基础至关重要.
• 在个体层面上预测大脑活动的任务需求仍然具有挑战性.

研究的目的:

• 用单试验EEG研究多元组件行为中高与低认知需求的可预测性.
• 识别特定的神经过程和参与预测任务需求的大脑区域.
• 确定感官集成和注意力过程在解码认知负载中的相对重要性.

主要方法:

• 应用深度学习模型对239名个体的单次试验脑电图 (EEG) 数据.
• 利用可解释的人工智能 (XAI) 来实现模型的可解释性.
• 采用了时间EEG信号分解和源定位技术.

主要成果:

• 在感官关联皮层中注意力选择和感官集成预测了~86%的准确度的任务需求.
• 基于规则的响应选择和翻译在平底皮层预测需求的准确率为~70%,但只有没有感官集成数据.
• 感官集成过程对于解码与响应选择能力相关的需求至关重要.

结论:

• 一次试验EEG与深度学习相结合,可以预测个体层面的多元组件行为中的认知需求.
• 感官整合过程在限制高认知负载下的多组件行为方面发挥着关键作用.
• 专注的过程对于在复杂的,目标导向的任务中有效执行至关重要.