评估功能性神经连接作为认知表现的指标
机器学习
2016-08-01 v1 神经元与认知
摘要
近年来的研究表明，神经组织与结构会影响个体执行特定任务的能力。具体而言，神经效率较高的个体被证明表现优于功能结构组织性较低的个体。在这项工作中，我们比较了神经连接特性对工作记忆任务的预测能力。我们提供了两种从脑电图（EEG）中表征功能网络连接的新方法，并将这些特征与 EEG 通道中跨频段的平均功率进行了比较。我们的第一种新方法通过多个频段中构成通道相干矩阵的特征值分布来表示功能连接结构。我们的第二种方法在每个频段创建一个连接网络，并评估网络中连通分量的平均路径长度和度的变异性。使用高斯分类器在每个频段对每个特征集检测单次试验中的数字和句子回忆失败。然后将分类器结果跨频段融合，使用受试者工作特征曲线下面积（AUC）统计量总结最终的检测性能。从连接结构、图变异性和通道功率特征分别获得了数字回忆失败的融合 AUC 结果 0.63/0.58/0.61，以及句子回忆失败的 0.58/0.59/0.54。
引用
@article{arxiv.1607.08891,
title = {Assessing Functional Neural Connectivity as an Indicator of Cognitive Performance},
author = {Brian S. Helfer and James R. Williamson and Benjamin A. Miller and Joseph Perricone and Thomas F. Quatieri},
journal= {arXiv preprint arXiv:1607.08891},
year = {2016}
}
备注
Oral presentation at MLINI 2015 - 5th NIPS Workshop on Machine Learning and Interpretation in Neuroimaging (arXiv:1605.04435)