Główne pojęcia
Die Feinabstimmung von Vektoren der semantischen Repräsentation auf die neuronale Aktivität im menschlichen Gehirn verbessert die Genauigkeit der Decodierung und Identifizierung von Hirnaktivitätsmustern.
Streszczenie
Die Studie untersucht einen neuen Ansatz zur Verbesserung der neuronalen Decodierung visueller Reize. Dafür wird ein Autoencoder-Modell verwendet, das vortrainierte semantische Vektoren an die neuronale Repräsentation im menschlichen Gehirn anpasst ("brain-grounding").
Die Autoren zeigen, dass die so erzeugten "brain-grounded" Vektoren die Genauigkeit der Decodierung und Identifizierung von Hirnaktivitätsmustern sowohl in funktioneller Magnetresonanztomographie (fMRT) als auch in Magnetenzephalographie (MEG) erhöhen. Dies gilt auch für Kategorien, die nicht im Trainingsdatensatz enthalten waren.
Die Ergebnisse unterstreichen das Potenzial, die Leistung von Hirndecoding-Algorithmen durch die Integration von merkmalen aus der neuronalen Aktivität des Gehirns zu verbessern.
Statystyki
Die Decodiergenauigkeit tendiert dazu, mit abnehmendem Gewicht des Hirnteils in der Verlustfunktion (d.h. kleinerem α) zuzunehmen.
Die Identifikationsgenauigkeit nimmt zunächst bei α = 10-1 und 10-2 zu, bevor sie dann wieder abnimmt.
Cytaty
"Interessanterweise beobachteten wir, dass durch die Verwendung der hirnbasierten Vektoren die Genauigkeit der Hirndecodierung und -identifizierung zunimmt, obwohl das Muster der Zunahme je nach Wahl des vortrainierten Merkmalsraums und der Art der Analyse variiert."
"Darüber hinaus zeigen die positiven Ergebnisse aus allen fMRT- und MEG-Decodierungen, dass diese Methode konsistent ist und zur Decodierung/Identifizierung von Hirnaktivitätsdaten verwendet werden kann, die mit verschiedenen bildgebenden Verfahren und an verschiedenen Probanden erhoben wurden, die nicht im Trainingsprozess verwendet wurden."