从历史上看,采用电交置数据(EEG)数据的大脑功能的研究依赖于对几种引起的EEG录音的不同峰的振幅和延迟的经典单变量分析,通常称为事件相关电位(ERP)。过去几十年来科学和技术的持续发展使搜索者和工程师能够开发和应用更高级的信号处理技术,例如时间/频率分析,相聚类,独立组件分析(ICA)分解[1,2]等。这些技术已在出色的分析和预处理工具中实施,例如EEGLAB [3],ERPLAB [4]或FIELDTRIP [5],这些技术是在各个领域中开发无数研究的研究人员。最近,较新的基于机器学习的算法(ML)与先进的神经影像学技术(例如功能磁共振成像(fMRI)或磁脑化术(MEG))结合使用,在神经科学方面已广受欢迎。这一趋势始于Haxby和Norman [6-8]的研究以及其他参考贡献[9-14],这开辟了有关大脑功能研究的新途径。多年来,ML模型也成功地用于医学成像,主要是在计算机辅助诊断领域[15]。仅提及几个例子,在研究和阐述几种神经系统疾病的研究和解释中,使用了不同的ML方法,例如Parkinson [16-18],Alzheimer [19-21],自闭症[22-24],或睡眠差异或睡眠差异[25-27]。根据初步研究[28-30],甚至可以使用人工智能(AI)在胸部射线照相中成功诊断出近期扩散的共证。[28-30]。然而,最近ML模型的增长不仅限于神经科学或医学应用,而是在跨切割的大量科学学科中存在。
MVPalab是一种基于MATLAB的且非常灵活的解码工具箱,用于多维脑电图和磁构成数据。MVPALAB工具箱实现了几种机器学习算法来计算多元模式分析,跨分类,时间概括矩阵以及功能和频率贡献分析。它还为数据归一化,数据平滑,降低维度降低和超级验证生成提供了对一组广泛的预处理例程的访问。要在小组级别绘制统计推断,MVPALAB包括一种基于非参数的置换方法。此工具箱已设计为包括易于使用且非常直观的图形用户界面和数据表示软件,这使MVPalab成为那些很少或没有以前编码体验的用户的非常方便的工具。但是,MVPALAB不仅适用于初学者,因为它实现了几种高和低级的例程,允许更多经验丰富的用户以非常灵活的方式设计自己的项目。
机器学习的许多最新发展都来自“深度学习”领域,即使用先进的神经网络架构和技术。虽然这些方法已经产生了最先进的结果,并在许多领域(例如图像分类和自然语言处理)占据了研究重点,但它们在脑电图 (EEG) 或其他人类神经科学数据集的分类中并没有比标准多元模式分析 (MVPA) 技术取得更大的进展。EEG 数据中的高维度和大量噪声,再加上可以从人类受试者样本中合理获得的示例(试验)数量相对较少,导致训练深度学习模型困难。即使模型在训练中成功收敛,尽管存在正则化技术,也会出现严重的过度拟合。为了帮助缓解这些问题,我们提出了一种新的“配对试验分类”方法,该方法涉及将 EEG 记录对分类为来自同一类或不同类。这样,我们可以通过配对试验的组合大幅增加训练示例的数量,这种方式类似于但不同于传统的数据增强方法。此外,配对试验分类仍然允许我们通过“字典”方法确定新示例(试验)的真实类别:将新示例与每个类别中的一组已知示例进行比较,并通过对每个类别中相同/不同的决策值求和来确定最终类别。由于单个试验是有噪声的,因此可以通过将新的单个示例与“字典”进行比较来进一步改进这种方法,其中每个条目都是几个示例(试验)的平均值。在可以对单个未知类别的多个样本取平均值的情况下,甚至可以实现进一步的改进,从而可以将平均信号与平均信号进行比较。