机构名称：
¥ 1.0
磁脑电图（MEG）和脑电图（EEG）数据的多变量模式分析（MVPA）是了解大脑如何代表和区分不同刺激的宝贵工具。识别刺激的时空特征通常是这些分析的关键输出。此类分析主要使用线性，成对的滑动窗口解码模型进行。这些允许相对易于解释，例如通过估计解码准确性的时间课，但解码性能有限。另一方面，通常用于大脑计算机接口（BCI）应用程序的完整时期多类解码模型可以提供更好的解码性能。然而，此类模型的解释方法已经设计了较少的类别。在本文中，我们提出了一种将多类，完整的时期解码模型与监督维度降低相结合的方法，同时仍然能够使用置换功能重要性来揭示时空和光谱特征的贡献。至关重要的是，我们引入了一种进行监督维度降低的方法，以优化分类任务的神经网络中的输入特征，从而实质上改善了性能。我们使用图像演示文稿在3个不同的多类任务-MEG数据集上演示了该方法。我们的结果表明，该方法始终达到比滑动窗口解码器的峰精度更高的精度，同时估计MEG信号中相关的时空特征。
可解释的MEG的多阶级解码
主要关键词
相关文件推荐
