基于EEG功能连接和机器学习方法预测纵向tDCS后的多任务处理表现
人机交互
2024-02-01 v1 人工智能
摘要
预测和理解认知表现的变化，尤其是在纵向干预之后，是神经科学中的一个基本目标。基于经颅直流电刺激 (tDCS) 的纵向脑刺激干预会在静息膜电位上引起短期变化并影响认知过程。然而，关于预测干预后认知表现变化的研究非常少。在这项研究中，我们旨在通过采用不同的基于 EEG 的功能连接分析和机器学习算法来预测复杂多任务处理中认知表现的变化，从而填补文献中的这一空白。四十名受试者被分为实验组和主动对照组。在第 1 天，所有受试者执行多任务处理，同时采集 32 通道 EEG。从第 2 天到第 7 天，实验组受试者在任务训练期间接受 15 分钟 2mA 阳极 tDCS 刺激。主动对照组受试者在任务训练期间接受 15 分钟假刺激。在第 10 天，所有受试者再次执行多任务处理并采集 EEG。从第 1 天和第 10 天的 EEG 数据中提取了源层级功能连接指标，即相位滞后指数和有向传递函数。采用各种机器学习模型来预测认知表现的变化。结果显示，多层感知器和有向传递函数记录了 5.11% 的交叉验证训练 RMSE 和 4.97% 的测试 RMSE。我们讨论了我们的结果在开发实时认知状态评估器中的意义，该评估器用于准确预测 tDCS 干预后动态复杂任务中的认知表现。
引用
@article{arxiv.2401.17711,
title = {Prediction of multitasking performance post-longitudinal tDCS via EEG-based functional connectivity and machine learning methods},
author = {Akash K Rao and Shashank Uttrani and Vishnu K Menon and Darshil Shah and Arnav Bhavsar and Shubhajit Roy Chowdhury and Varun Dutt},
journal= {arXiv preprint arXiv:2401.17711},
year = {2024}
}
备注
16 pages, presented at the 30th International Conference on Neural Information Processing (ICONIP2023), Changsha, China, November 2023