逐次

卷积神经网络用于解码脑电图反应并可视化判别特征的逐次变化

背景：深度学习彻底改变了计算机视觉领域，其中卷积神经网络 (CNN) 从大型数据集中提取复杂的信息模式。深度网络在神经科学中的应用主要集中在神经成像或脑机接口 -BCI- 应用。在脑电图 (EEG) 研究中，多变量模式分析 (MVPA) 主要依赖于线性算法，该算法需要同质数据集，并假设判别特征在试验中以一致的延迟和电极出现。然而，神经反应可能会在实验过程中随时间或空间发生变化，导致对判别特征的低估。在这里，我们旨在利用时间和空间解锁的神经活动，使用 CNN 对 EEG 对外部刺激的反应进行分类，并在每次试验的基础上检查判别特征在实验过程中的变化情况。新方法：我们提出了一种新颖的流程，包括数据增强、CNN 训练和特征可视化技术，针对 EEG 数据的 MVPA 进行了微调。结果：我们的流程提供了高分类性能并可推广到新数据集。此外，我们表明，CNN 识别的分类特征在电生理学上是可解释的，并且可以在单次试验水平上重建，以研究类别特定判别活动的逐次试验演变。与现有技术的比较：将开发的流程与常用的 MVPA 算法（如逻辑回归和支持向量机）以及浅层和深层卷积神经网络进行了比较。我们的方法的分类性能明显高于现有的 MVPA 技术（p = 0.006），并且与其他 EEG 数据的 CNN 的结果相当。结论：总之，我们提出了一种用于 EEG 数据 MVPA 的新型深度学习流程，可以以数据驱动的方式提取逐次试验的判别活动。