一个适应性解学习系统,由脑功能结构为EEG解码提供信息

科学领域:

• 神经科学和大脑计算机接口
• 计算神经科学是一种神经科学.
• 机器学习用于神经成像

背景情况:

• 神经科学研究强调了区域大脑连接和半球不对称.
• 大脑的连接性影响了脑电图 (EEG) 信号的表现.
• 开发数据驱动的方法来解码EEG特征至关重要.

研究的目的:

• 为解码EEG模式提供一个功能结构自适应脱学习框架 (FS-AD).
• 通过认知大脑结构的洞察来整合本地-全球空间表征.
• 通过挖掘不同大脑状态之间的连接模式来提高EEG解码效率.

主要方法:

• 实现了一维可分离的卷积模块和局域注意力,用于道间相互作用提取.
• 开发了一个全球本地内核级融合解码器 (GKFD) 来合并本地特征.
• 设计了一个跨域自适应融合解码器 (CAFD),以识别最佳的跨域路径.

主要成果:

• 该FS-AD框架在解码疲劳,情绪和运动图像状态的EEG方面明显优于现有的方法.
• 证明了大脑区域通路连接之间的合强度的变化.
• 确定了特定于不同大脑状态的最佳区域通路.

结论:

• 通过利用功能和结构性大脑信息,FS-AD有效地解码潜伏的EEG特征.
• 这项研究阐明了大脑区域连接和活动表示之间的关系.
• 为开发通用大脑解码方法论做出了贡献.