用于从颅内神经活动解码简单视觉刺激的贝叶斯时间序列分类器
机器学习
2024-09-11 v1 信号处理
神经元与认知
摘要
理解外部刺激如何编码于分布式神经活动中，是临床与基础神经科学的重要关注点。为满足此需求，必须开发能够处理有限数据及神经数据固有随机性的分析工具。本研究中，我们提出一种简洁的贝叶斯时间序列分类器（BTsC）模型，在应对上述挑战的同时保持高度可解释性。我们利用神经数据解码视觉任务中的颜色，展示了该方法的分类能力。该模型在4名患者的数据集上表现出一致且可靠的平均性能75.55%，较最先进的机器学习技术提升约3.0个百分点。除高分类精度外，所提BTsC模型提供可解释结果，使其成为研究各类任务与类别中神经活动的有价值工具。该方案可应用于多种任务中记录的神经数据，凡需可解释结果与准确分类精度之处均适用。
引用
@article{arxiv.2307.15672,
title = {Bayesian Time-Series Classifier for Decoding Simple Visual Stimuli from Intracranial Neural Activity},
author = {Navid Ziaei and Reza Saadatifard and Ali Yousefi and Behzad Nazari and Sydney S. Cash and Angelique C. Paulk},
journal= {arXiv preprint arXiv:2307.15672},
year = {2024}
}