机构名称：
¥ 1.0
在本研究中，我们使用多变量解码方法来研究典型（计数和计数）和非典型手指数字配置 (FNC) 之间的处理差异。虽然先前的研究使用行为和事件相关电位 (ERP) 方法调查了这些处理差异，但传统的单变量 ERP 分析侧重于特定的时间间隔和电极位置，无法捕捉更广泛的头皮分布和 EEG 频率模式。为了解决这个问题，我们使用了监督学习分类器——支持向量机 (SVM)——来解码 ERP 头皮分布和 alpha 波段功率，用于计数、计数和非典型 FNC（整数 1 到 4）。SVM 用于测试是否可以从 EEG 数据中解码 FNC 中呈现的数字信息。使用准确率的大小和时间差异来比较三种类型的 FNC。总体而言，该算法能够预测 FNC 中呈现的数字信息，超出随机机会水平的准确度，ERP 头皮分布的准确率高于 alpha 功率。与计数和非规范配置相比，montring 的峰值准确度较低，这可能是由于处理 montring 配置的自动化导致四个数值量级（1 到 4）的头皮分布不太明显。与响应时间数据相似，montring 的峰值解码准确度时间（472 毫秒）比计数（577 毫秒）和非规范 FNC（604 毫秒）更早。结果支持 montring 配置被自动处理，有点类似于数字符号，并为处理不同形式 FNC 之间的差异提供了额外的见解。这项研究还强调了解码方法在 EEG/ERP 数字认知研究中的优势。
利用机器学习对手指数字配置进行脑电图解码
主要关键词
相关文件推荐
