无监督的表现学习产生了不同的神经生理学特征

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 随着时间的推移,人类大脑活动表现出稳定,个体特有的特征,称为神经生理学概况.
• 目前的分析方法通常需要标记数据和监督学习,这引发了人们对它们依赖于真正的生物信号而不是人工制造物的质疑.

研究的目的:

• 开发一个参与者不可知的自编码器框架,从静止状态磁脑电图 (MEG) 数据中得出可分化的神经生理学配置文件.
• 评估无监督学习在识别大脑活动中真正的生物学个体差异方面的表现.

主要方法:

• 实施了一个参与者不可知自编码器框架来处理静止状态MEG数据的短段.
• 利用无监督学习目标从潜伏空间中导出配置文件.
• 将开发的框架与参与者差异化和年龄预测的无模型和基于模型的基线进行比较.

主要成果:

• 无监督学习自然产生了歧视性神经生理学特征,在参与者差异化方面表现优于基线方法.
• 可靠的差异化是通过短记录 (14s) 实现的,在会议中概括,并且在没有解剖信息的情况下是强大的.
• 学习的配置文件比基线更准确地预测年龄,框架允许在光谱和连接空间进行灵敏度分析.

结论:

• 参与者不可知模型为神经生理学分析提供了一个原则性的,可解释的框架.
• 这种方法可以在录音期间进行概括,并有效地捕捉生物相关的个体差异.
• 该方法为监督学习提供了一个强大的替代方案,用于识别独特的大脑活动特征.