数学专家与新手高密度 EEG 数据的非线性与机器学习分析
信号处理
2022-12-02 v1
摘要
神经科学的当前趋势是使用自然主义刺激，如电影、课堂生物或电子游戏，旨在理解生态有效条件下的脑功能。自然主义刺激调动复杂且重叠的认知、情绪与感觉脑过程。脑振荡构成这些过程的底层机制，且这些过程可被专长所改变。人类皮层振荡虽常由线性方法分析，但脑作为生物系统高度非线性。本研究应用一种相对稳健的非线性方法——Higuchi 分形维数（HFD），对数学专家与新手在 EEG 实验室中求解冗长复杂数学推导时的皮层振荡进行分类。在自然主义刺激下长时间收集的脑成像数据使得数据驱动分析得以应用。因此，我们也用机器学习算法探究数学专长的神经特征。由于基于还原论与简化研究设计来构建真实世界中脑功能理论既具挑战又存疑，分析自然主义数据亟需新方法。数据驱动的智能方法或有助于发展和检验关于复杂脑功能的新理论。我们的结果阐明了数学专家与新手在复杂数学过程中的不同神经特征（由 HFD 分析），并提示机器学习是理解专长与数学认知中脑过程的一种有前景的数据驱动方法。
引用
@article{arxiv.2212.00712,
title = {Nonlinear and Machine Learning Analyses on High-Density EEG data of Math Experts and Novices},
author = {Hanna Poikonen and Tomasz Zaluska and Xiaying Wang and Michele Magno and Manu Kapur},
journal= {arXiv preprint arXiv:2212.00712},
year = {2022}
}