在高阶认知任务中探索EEG连接,使用可解释的图形神经网络

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 机器学习 机器学习

背景情况:

• 脑电图 (EEG) 对于研究大脑活动至关重要.
• 像EEGNet这样的现有模型缺乏用于识别EEG通道连接的解释性.
• 高级认知任务,如空间视角,需要复杂的分析方法.

研究的目的:

• 开发一个可解释的图形神经网络 (GNN) 用于EEG连接分析.
• 将GNN的性能和可解释性与EEG.Net进行比较.
• 识别大脑网络对于空间视角的重要.

主要方法:

• 使用基于自主监督图形注意网络的GNN架构.
• 整合了一个完全连接的图形结构,带有道嵌入和卷积编码器.
• 采用可视化技术来识别关键子图和功能连接.

主要成果:

• 该GNN实现了与EEGNet可比的性能,同时提供了更好的解释性.
• 确定了与决策相关的关键子图,突出了前端-平面网络在空间视角制定中的作用.
• 证明了GNN有效地捕捉了基于关联的方法错过的远程功能连接.

结论:

• 基于GNN的方法显示出在复杂的认知任务中分析EEG数据的巨大潜力.
• 增强的模型解释性对于推进神经科学研究至关重要.
• 面对平面网络在要求空间视角的任务中发挥着关键作用.