基于 LSTM 网络从 EEG 解码工作记忆负荷
神经元与认知
2019-10-15 v1
摘要
工作记忆（WM）是一种为行为目标临时存储和操作信息的机制，是一个高度动态的过程。以往研究考虑使用 EEG 解码 WM 负荷，但未探讨 EEG 数据时间模式中蕴含的、可区分不同 WM 负荷的序列信息的贡献。在我们的研究中，我们开发了一种新方法，考察序列信息在多种时间尺度下对言语信息操作和存储中的作用，并从地形上定位基于序列信息的可解码性的来源。二十名受试者在执行具有不同记忆负荷的 Sternberg 言语 WM 任务时，记录了高密度 EEG（128 通道）。训练长短期记忆循环神经网络（LSTM-RNN）以在编码、保持、活动静默和提取阶段解码记忆负荷。通过比较有序数据与 temporally shuffled 版本（保留数据的基于模式的信息但不保留时间关系）之间的解码准确率，来评估序列信息对解码记忆负荷的贡献。结果表明：（1）对于有序和 temporally shuffled 两种情况，给定 LSTM 的 EEG 时间序列长度增加时解码准确率均提高，且有序时间序列的提升快于 temporally shuffled 时间序列；（2）根据解码权重图，额叶、颞叶及部分顶叶区域是基于序列信息的可解码性的重要来源。据我们所知，本研究是首个应用 LSTM-RNN 方法考察人类 EEG 数据中编码 WM 负荷信息的时间动态的研究。
引用
@article{arxiv.1910.05621,
title = {Decoding Working Memory Load from EEG with LSTM Networks},
author = {Samuel Goldstein and Zhenhong Hu and Mingzhou Ding},
journal= {arXiv preprint arXiv:1910.05621},
year = {2019}
}