Decision SincNet：从神经信号预测认知过程的决策神经认知模型
摘要
人类决策行为通过心理实验中的选择-反应时数据观测。该数据的漂移扩散模型由维纳首次通过时间（WFPT）分布构成，并由认知参数描述：漂移率、边界分离和起始点。这些估计参数对神经科学家具有重要意义，因为它们可映射到决策认知过程的特征（如速度、谨慎和偏置）并与大脑活动相关联。观测到的反应时模式也反映了由神经动力学介导的试次间认知过程变异性。我们调整了基于SincNet的浅层神经网络架构，以在每個实验试次上使用EEG信号拟合漂移扩散模型。该模型由SincNet层、深度可分离空间卷积层和两个独立全连接（FC）层组成，并行预测每试次的漂移率和边界。SincNet层对核进行参数化，以直接学习应用于EEG数据以预测漂移和边界参数的带通滤波器的低和高截止频率。训练期间，给定试次反应时，通过最小化WFPT分布的负对数似然函数更新模型参数。我们为执行双备选强制选择任务的每位参与者分别开发了decision SincNet模型。结果显示，在训练和测试数据集中，单试次漂移和边界估计比中位数估计更能预测反应时，表明我们的模型能成功利用EEG特征估计有意义的单试次扩散模型参数。此外，浅层SincNet架构识别了与证据累积和谨慎相关的信息处理时间窗，以及每位参与者内反映这些过程的EEG频带。
引用
@article{arxiv.2208.02845,
title = {Decision SincNet: Neurocognitive models of decision making that predict cognitive processes from neural signals},
author = {Qinhua Jenny Sun and Khuong Vo and Kitty Lui and Michael Nunez and Joachim Vandekerckhove and Ramesh Srinivasan},
journal= {arXiv preprint arXiv:2208.02845},
year = {2022}
}
备注
This paper was accepted as an oral presentation at IEEE WCCI 2022 (IJCNN 2022), under the session Neurodynamics and computational Neuroscience. This paper is published in International Joint Conference on Neural Networks (IJCNN) Proceedings 2022