論文の概要: Prediction of multitasking performance post-longitudinal tDCS via
EEG-based functional connectivity and machine learning methods
- arxiv url: http://arxiv.org/abs/2401.17711v1
- Date: Wed, 31 Jan 2024 10:03:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-01 15:02:31.049676
- Title: Prediction of multitasking performance post-longitudinal tDCS via
EEG-based functional connectivity and machine learning methods
- Title(参考訳): eegに基づく機能的接続と機械学習による長時間tdcのマルチタスク性能予測
- Authors: Akash K Rao, Shashank Uttrani, Vishnu K Menon, Darshil Shah, Arnav
Bhavsar, Shubhajit Roy Chowdhury, Varun Dutt
- Abstract要約: 認知能力の変化を予測するため,脳波に基づく機能的接続解析と機械学習アルゴリズムを用いた。
本稿では,リアルタイム認知状態評価装置の開発における結果の影響について論じる。
- 参考スコア(独自算出の注目度): 1.9351774578832828
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting and understanding the changes in cognitive performance, especially
after a longitudinal intervention, is a fundamental goal in neuroscience.
Longitudinal brain stimulation-based interventions like transcranial direct
current stimulation (tDCS) induce short-term changes in the resting membrane
potential and influence cognitive processes. However, very little research has
been conducted on predicting these changes in cognitive performance
post-intervention. In this research, we intend to address this gap in the
literature by employing different EEG-based functional connectivity analyses
and machine learning algorithms to predict changes in cognitive performance in
a complex multitasking task. Forty subjects were divided into experimental and
active-control conditions. On Day 1, all subjects executed a multitasking task
with simultaneous 32-channel EEG being acquired. From Day 2 to Day 7, subjects
in the experimental condition undertook 15 minutes of 2mA anodal tDCS
stimulation during task training. Subjects in the active-control condition
undertook 15 minutes of sham stimulation during task training. On Day 10, all
subjects again executed the multitasking task with EEG acquisition.
Source-level functional connectivity metrics, namely phase lag index and
directed transfer function, were extracted from the EEG data on Day 1 and Day
10. Various machine learning models were employed to predict changes in
cognitive performance. Results revealed that the multi-layer perceptron and
directed transfer function recorded a cross-validation training RMSE of 5.11%
and a test RMSE of 4.97%. We discuss the implications of our results in
developing real-time cognitive state assessors for accurately predicting
cognitive performance in dynamic and complex tasks post-tDCS intervention
- Abstract(参考訳): 認知能力の変化、特に縦断的介入後の予測と理解は、神経科学の基本的な目標である。
経頭蓋直流刺激(TDCS)のような縦断的脳刺激に基づく介入は、静止膜電位の短期的変化を誘発し、認知過程に影響を与える。
しかし, 介入後の認知能力の変化を予測する研究はほとんど行われていない。
本研究では,脳波に基づく機能的接続分析と機械学習アルゴリズムを用いて,複雑なマルチタスクタスクにおける認知能力の変化を予測することによって,文献におけるこのギャップに対処する。
40名の被験者を実験条件と活動的制御条件に分けた。
1日目、全ての被験者が32チャンネルの脳波を同時に取得するマルチタスクを実行した。
2日目から7日目にかけて,実験状態の被験者は2maアノダルtdcs刺激15分を課題訓練中に服用した。
活動制御状態の被験者は課題訓練中に15分間のシャム刺激を受けた。
10日目、すべての被験者が脳波取得で再びマルチタスクタスクを実行した。
1日目と10日目の脳波データから,ソースレベルの機能的接続指標,すなわち位相ラグ指数と指向伝達関数を抽出した。
認知能力の変化を予測するために、さまざまな機械学習モデルが採用された。
その結果、多層パーセプトロンと指向伝達関数は、クロスバリデーショントレーニングRMSEが5.11%、テストRMSEが4.97%であった。
TDCS介入後の動的・複雑なタスクにおける認知性能を正確に予測するリアルタイム認知状態評価器の開発における我々の結果の影響について論じる。
関連論文リスト
- Auto Detecting Cognitive Events Using Machine Learning on Pupillary Data [0.0]
瞳孔の大きさは認知作業負荷の貴重な指標であり、自律神経系によって支配される注意の変化と覚醒を反映している。
本研究では、機械学習を用いて個人が経験した認知イベントを自動的に検出する可能性について検討する。
論文 参考訳(メタデータ) (2024-10-18T04:54:46Z) - Classification of executive functioning performance post-longitudinal
tDCS using functional connectivity and machine learning methods [0.0]
エグゼクティブ・ファンクション(Executive functioning)とは、人間が目標指向の方法で行動の計画、組織化、規制を可能にする認知プロセスである。
本研究では、機能接続と機械学習アルゴリズムを用いて、TDCS後の実行機能のパフォーマンスを分類する。
論文 参考訳(メタデータ) (2024-01-31T09:45:03Z) - Analyzing Brain Activity During Learning Tasks with EEG and Machine
Learning [0.1433758865948252]
本研究の目的は、様々なSTEM活動中の脳活動を分析し、異なるタスク間の分類の可能性を探ることである。
5つの認知タスクに従事した20名の被験者の脳波データを収集し,4秒のクリップに分割した。
この研究は、脳の活動を分析し、脳のメカニズムに光を当てることにおいて、機械学習を実装することのより深い理解に寄与する。
論文 参考訳(メタデータ) (2024-01-15T18:57:25Z) - EEG-based Cognitive Load Classification using Feature Masked
Autoencoding and Emotion Transfer Learning [13.404503606887715]
脳波(EEG)を用いた認知負荷の新しい分類法を提案する。
感情関連脳波データセットの自己教師付きマスクによる自動エンコーディングを用いて、我々のモデルを事前学習する。
実験の結果,提案手法は従来の単段階完全教師付き学習よりも優れた結果が得られることがわかった。
論文 参考訳(メタデータ) (2023-08-01T02:59:19Z) - Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。
最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
論文 参考訳(メタデータ) (2023-07-28T14:51:09Z) - RObotic MAnipulation Network (ROMAN) $\unicode{x2013}$ Hybrid
Hierarchical Learning for Solving Complex Sequential Tasks [70.69063219750952]
ロボットマニピュレーションネットワーク(ROMAN)のハイブリッド階層型学習フレームワークを提案する。
ROMANは、行動クローニング、模倣学習、強化学習を統合することで、タスクの汎用性と堅牢な障害回復を実現する。
実験結果から,これらの専門的な操作専門家の組織化と活性化により,ROMANは高度な操作タスクの長いシーケンスを達成するための適切なシーケンシャルなアクティベーションを生成することがわかった。
論文 参考訳(メタデータ) (2023-06-30T20:35:22Z) - Incremental procedural and sensorimotor learning in cognitive humanoid
robots [52.77024349608834]
本研究は,手順を段階的に学習する認知エージェントを提案する。
各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。
結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
論文 参考訳(メタデータ) (2023-04-30T22:51:31Z) - A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。
本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。
本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
論文 参考訳(メタデータ) (2022-11-16T20:00:38Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳(メタデータ) (2022-10-23T15:11:37Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳(メタデータ) (2020-05-06T09:02:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。