全球大脑状态的分类通过重新采样和EEG数据增强

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 机器学习 机器学习

背景情况:

• 大脑表现出独特的全球状态,可以通过电脑电图 (EEG) 波纹来识别.
• 了解清醒期间的全球大脑状态至关重要,但由于某些状态的发生率较低,因此具有挑战性.
• 脑电图数据中的类不平衡阻碍了对这些大脑状态的准确自动分类.

研究的目的:

• 开发一种自动化系统,使用EEG数据对高度不平衡的全球大脑状态进行分类.
• 为了解决在清醒期间特定大脑状态的稀缺数据的挑战.
• 通过先进的机器学习技术,改进神经状态的分析.

主要方法:

• 实施了基于ResNet的系统,包括重新采样 (超采样,低采样) 和数据增强 (SMOTE).
• 将这些技术应用于小鼠的单通道EEG记录.
• 评估了系统在分类失衡大脑状态数据方面的表现.

主要成果:

• 证明了重新抽样和数据增强在处理EEG数据中的类不平衡方面的有效性.
• 成功开发了一个ResNet模型,能够自动分类罕见的大脑状态.
• 在分类失衡的大脑状态数据方面表现出显著的改善.

结论:

• 再抽样和数据增强技术是对EEG分析中类不平衡的有效解决方案.
• 开发的ResNet系统为全球大脑状态的自动分类提供了一种可行的方法.
• 这项工作有助于进一步研究清醒期间全球大脑状态的细微差别.