单一试验 分类每刺激的EEG在不同的速度准确性之间的权衡指令指令

科学领域:

• 认知神经科学 认知神经科学
• 机器学习 机器学习
• 神经成像是一种神经成像.

背景情况:

• 速度准确性权衡 (SAT) 在认知处理中至关重要,影响决策的速度和准确性.
• 了解神经病患者的不同SAT策略对于诊断和治疗至关重要.
• 研究了SAT的神经机制,但对不同SAT策略的神经数据的分类尚未得到充分研究.

研究的目的:

• 开发和验证一个深度学习框架,以根据指导的速度或精度优先级策略来分类单试电脑图 (EEG) 信号.
• 为了弥合分类神经数据的差距,用于不同的SAT策略.

主要方法:

• 通过对20名参与者的镜像判断任务数据集,实施了深度学习框架.
• 对时间频率特征的EEG数据进行了预处理和转换,使用连续波束转换.
• 一种频道堆叠技术将EEG数据转换为类似RGB的图像,输入到RegNet卷积神经网络进行分类.

主要成果:

• 深度学习模型在使用单次试验EEG的速度和准确性策略之间区分方面取得了高的分类准确性.
• 头后部地区的分类准确度最高 (85.37%),其次是顶部 (82.97%),前部 (80.46%) 和中央区域 (78.57%).
• 十倍的交叉验证证实了该模型的强大性能.

结论:

• 单试验EEG分类是可行的,以区分速度和准确性的认知策略.
• 这种方法在适应性脑电脑接口和认知神经科学研究中具有潜在的应用.
• 为临床医生提供了一种新的工具,用于实时识别认知策略,以量身定制神经反和康复协议.