面向自然主义神经科学的跨个体共享时空 EEG 表征的对比学习
神经元与认知
2024-07-16 v2 机器学习
信号处理
摘要
由自然主义刺激诱发的神经表征为了解人类在日常生活中的刺激反应提供了见解。理解自然主义刺激处理背后的神经机制，关键在于精确识别和提取跨个体一致存在的共享神经模式。针对以丰富时空信息著称的脑电图（EEG）技术，本研究提出了一个跨个体共享时空 EEG 表征对比学习框架（CL-SSTER）。CL-SSTER 利用对比学习最大化相同刺激下跨个体 EEG 表征的相似性，并与不同刺激下的表征进行对比。所采用的网络利用空间和时间卷积，同时学习 EEG 中固有的空间和时间模式。CL-SSTER 的多功能性在三个 EEG 数据集上得到了验证，包括一个合成数据集、一个自然语音理解 EEG 数据集和一个情感视频观看 EEG 数据集。与最先进的个体间相关性（ISC）方法相比，CL-SSTER 取得了最高的 ISC 值。CL-SSTER 生成的潜在表征展现出可靠的时空 EEG 模式，这些模式可以用自然主义刺激的特性来解释。CL-SSTER 作为一个可解释且可扩展的框架，可用于自然主义神经科学中个体间共享神经表征的识别。
引用
@article{arxiv.2402.14213,
title = {Contrastive Learning of Shared Spatiotemporal EEG Representations Across Individuals for Naturalistic Neuroscience},
author = {Xinke Shen and Lingyi Tao and Xuyang Chen and Sen Song and Quanying Liu and Dan Zhang},
journal= {arXiv preprint arXiv:2402.14213},
year = {2024}
}
备注
54 pages, 17 figures