协调和调整M/EEG数据集与基于共差的技术,以增强预测回归建模的预测回归建模
Apolline Mellot1, Antoine Collas1, Pedro L C Rodrigues2
1Université Paris-Saclay, Inria, CEA, Palaiseau, France.
Imaging neuroscience (Cambridge, Mass.)
|August 13, 2025
概括
神经科学中的数据集转移阻碍了机器学习 (ML). 这项研究使用域调整协调了M/EEG数据,显著改善了用于大脑年龄预测的各种数据集的ML模型概括.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 神经科学研究需要大量的机器学习 (ML) 数据集,但数据异质性 (数据集转移) 跨站点,设备或协议限制了ML模型的概括性.
- 磁脑电图 (M/EEG) 数据通常由共变矩阵表示,共变矩阵对由大脑活动,解剖或设备变化引起的数据集转移敏感.
研究的目的:
- 调查数据集转移对M/EEG数据的影响,并评估域调整方法以改善ML模型通用化.
- 从理论上解释解剖学,生理学和技术因素如何诱导M/EEG数据中的共变位移.
主要方法:
- 开发和评估基于模型的数据集对齐方法 (重新集中,重新缩放,旋转校正),利用共变矩阵的几何.
- 在MEG和EEG数据集上应用和评估这些对齐方法,用于大脑年龄预测任务.
- 利用受控模拟来理论验证对齐方法在应对协变位移方面的有效性.
主要成果:
- 对同一受试者在不同任务 (例如,休息与被动/smt任务) 下的M/EEG数据进行配对旋转校正至关重要,提高了R-平方高达0.17.
- 当包括未见的主体和不同的任务 (例如,休息被动的+0.096 R-平方) 时,重新集中提高了性能.
- 重新集中对于将大脑年龄预测推广到来自不同人群和设备的独立数据集至关重要,从而实现接近数据集内预测的性能.
结论:
- 域适应技术,特别是重中心化和旋转校正,可以显著提高基于M/EEG的回归模型在不同数据集的概括性.
- 通过对齐方法统计协调M/EEG数据对于成功的跨数据集ML应用在神经科学中至关重要.
- 这种方法促进了大型公共数据集的整合,克服了数据集转移所带来的局限性.
