单试次 EEG 类别解码中的 exemplar 表示学习
信号处理
2024-06-26 v1 机器学习
摘要
在神经成像研究中，针对来自噪声较大的类数据获取系统（如脑电图（EEG）或脑磁图（MEG））的实验，通常会重复进行试次。虽然这种方法在某些实验设计中有用，但对于某些类型分析（如识别主观观察物体的类别）来说，存在显著限制。在本研究中，我们演示了当与单个物体相关的试次被允许同时出现在训练和测试集中时，几乎任何分类算法都能够仅凭类别标签学习物体表示的能力。这一学习物体表示的能力尤为重要，因为它表明，一些已发表的研究预测从 EEG 信号中观察物体的类别，可能受到一种微妙形式的泄漏的影响，这种泄漏已使其报告的准确率得以提高。我们演示了简单分类算法和复杂深度学习模型仅凭类别标签就能学习物体表示的能力。我们使用两个数据集实现：Kaneshiro 等人（2015）数据集和 Gifford 等人（2022）数据集。我们的結果指出，这些已发表模型的真实可推广性值得怀疑，表明这些模型的报告性能可能显著被高估。
引用
@article{arxiv.2406.16902,
title = {Learning Exemplar Representations in Single-Trial EEG Category Decoding},
author = {Jack Kilgallen and Barak Pearlmutter and Jeffery Mark Siskind},
journal= {arXiv preprint arXiv:2406.16902},
year = {2024}
}