扰动神经网络以推断有效连接性：来自合成 EEG 数据的证据
信号处理
2023-07-20 v1 人工智能
神经元与认知
摘要
识别不同脑区之间的因果关系（称为有效连接性）对理解大脑的信息处理和认知功能具有关键意义。脑电图（EEG）信号展现出大脑内复杂的动态特性与脑区间相互作用。然而，刻画多个脑区之间非线性因果交互的方法仍相对不成熟。在本研究中，我们提出了一种通过扰动已训练神经网络来推断有效连接性的数据驱动框架。具体而言，我们训练了神经网络（即 CNN、普通 RNN、GRU、LSTM 和 Transformer）根据历史数据预测未来 EEG 信号，并扰动网络输入以获得被扰动 EEG 通道与其余通道之间的有效连接性（EC）。EC 反映了扰动一个节点对其他节点的因果影响。性能在由生物学合理的 Jansen-Rit 模型生成的合成 EEG 上进行了测试。CNN 和 Transformer 在 3 通道和 90 通道合成 EEG 数据上均取得最佳性能，优于经典的 Granger 因果性方法。我们的工作展示了通过扰动学习预测未来系统动态的人工神经网络来揭示底层因果结构的潜力。
引用
@article{arxiv.2307.09770,
title = {Perturbing a Neural Network to Infer Effective Connectivity: Evidence from Synthetic EEG Data},
author = {Peizhen Yang and Xinke Shen and Zongsheng Li and Zixiang Luo and Kexin Lou and Quanying Liu},
journal= {arXiv preprint arXiv:2307.09770},
year = {2023}
}
备注
7 pages, 3 figures, 1 table