跨被试的MEG解码
机器学习
2014-04-17 v1 机器学习
神经元与认知
摘要
脑解码是一种基于从并发脑活动预测呈现给被试的刺激的神经影像学数据分析范式。为了在群体水平进行推断，一种直接但有时不成功的方法是在一组被试的试验上训练分类器，然后在新被试的未见试验上测试它。极端困难与跨被试的结构和功能变异性有关。我们将这种方法称为“跨被试解码”。在这项工作中，我们针对脑磁图（MEG）实验解决了跨被试解码的问题，并提供了以下贡献：首先，我们正式描述了该问题，并表明它属于机器学习的一个子领域，称为直推式迁移学习（TTL）。其次，我们提出使用一种简单的TTL技术来解释训练数据和测试数据之间的差异。第三，我们提出使用集成学习，特别是堆叠泛化，来解决训练数据内跨被试的变异性，旨在产生更稳定的分类器。在一个包含16名被试的面孔vs.杂乱任务MEG数据集上，我们将不建模跨被试差异的标准方法与所提出的结合TTL和集成学习的方法进行了比较。我们表明，所提出的方法始终比标准方法更准确。
引用
@article{arxiv.1404.4175,
title = {MEG Decoding Across Subjects},
author = {Emanuele Olivetti and Seyed Mostafa Kia and Paolo Avesani},
journal= {arXiv preprint arXiv:1404.4175},
year = {2014}
}