使用机器学习在情绪调节期间模拟EEG衍生的大脑活动

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 计算神经科学是一种神经科学.

背景情况:

• 情绪调节 (ER) 对心理健康和社会功能至关重要,特别是在压力下.
• 了解ER的神经机制对于开发有效的干预措施至关重要.
• 评估ER的现有方法可能是主观的;需要客观的措施.

研究的目的:

• 通过使用电脑电图 (EEG) 来调查情绪调节期间的大脑活动模式.
• 开发和验证机器学习 (ML) 模型,用于预测成功与不成功的ER.
• 确定与ER成功相关的特定EEG信号特征 (时间和频率域).

主要方法:

• 参与者观看了情感/中性图像,并被告知要么正常观看,要么调节情绪.
• 在时间 (全球场功率) 和频率 (功率光谱密度) 领域收集和分析了EEG数据.
• 机器学习模型,包括带有最大平均差异 (MMD) 损失的神经网络,在EEG特征上进行训练,以预测ER成功.

主要成果:

• 全球场功率 (GFP) 在前脑和中脑区域中发现了显著的差异.
• 确定了theta,beta和gamma频段对ER很重要.
• 一个独立于主体的神经网络实现了75.57%的F1得分宏来预测ER成功,强调额头区域和β频率.

结论:

• 将EEG数据与先进的ML数据相结合,为评估ER提供了一个准确,客观的框架.
• 前脑区域和β频率信号是情绪调节水平的关键预测因素.
• 这种基于EEG的方法为ER评估和个性化心理健康治疗提供了一种新方法.