本研究は、作業記憶に関連する脳活動が異なる脳領域から発生し、異なる周波数で振動することに着目している。高い時間相関を持つEEG信号は、これらの反応を効果的に捉えることができる。したがって、異なる周波数帯域のEEGの機能的結合性を推定することは、記憶負荷の増加に伴う脳ダイナミクスを分析する上で重要な役割を果たす。
本研究では、まず、センサー空間でEEGの機能的結合性を学習するためにベイズ構造学習アルゴリズムを導入する。次に、機能的結合性グラフをグラフ畳み込みネットワークの入力として使用し、作業記憶負荷を分類する。154人の被験者を対象に6つの異なる言語性作業記憶負荷に対して行ったインラ被験者(被験者固有)分類では、最高96%の分類精度と平均89%の分類精度を達成し、文献で提案されている最先端の分類モデルを上回る結果が得られた。さらに、ベイズ構造学習アルゴリズムを、インラ被験者および被験者間の分散分析を通じて、最先端の機能的結合性推定手法と比較した。その結果、アルファバンドとシータバンドの分類精度がベータバンドよりも優れていることも示された。
To Another Language
from source content
arxiv.org
Principais Insights Extraídos De
by Harshini Gan... às arxiv.org 05-01-2024
https://arxiv.org/pdf/2404.19467.pdfPerguntas Mais Profundas