基于贝叶斯功能连接与图卷积网络的工作记忆负荷分类
机器学习
2024-05-01 v1 信号处理
神经元与认知
摘要
工作记忆相关的脑反应源自不同脑区且在不同频率振荡。EEG 信号具有较高的时间相关性，可有效捕获这些反应。因此，对不同频带下 EEG 的功能连接进行估计，对于分析随记忆与认知负荷增加而变化的脑动力学具有重要意义，而这一问题在文献中仍鲜有探索。本研究引入贝叶斯结构学习算法，用于传感器空间中 EEG 的功能连接学习。随后，将功能连接图作为图卷积网络的输入，用于分类工作记忆负荷。在 154 名受试者的主观内部分类实验中，达到了最高分类准确率为 96%，平均分类准确率为 89%，优于文献中提出的现有分类模型。此外，本文将所提贝叶斯结构学习算法与文献中现有的功能连接估计方法进行比较，通过主观间与主观内方差分析进行统计检验。结果表明，α 波和θ 波的分类准确率优于β 波。
引用
@article{arxiv.2404.19467,
title = {Bayesian Functional Connectivity and Graph Convolutional Network for Working Memory Load Classification},
author = {Harshini Gangapuram and Vidya Manian},
journal= {arXiv preprint arXiv:2404.19467},
year = {2024}
}