Bayesian Time-Series Classifier for Decoding Simple Visual Stimuli from Intracranial Neural Activity

要約

外部刺激が分散した神経活動においてどのようにエンコードされるかを理解することは、臨床および基礎神経科学において非常に興味深いものです。
このニーズに対処するには、限られたデータとニューラル データに存在する固有の確率性を処理できる分析ツールを開発することが不可欠です。
この研究では、高いレベルの解釈可能性を維持しながらこれらの課題に取り組む、直接的なベイジアン時系列分類子 (BTsC) モデルを提案します。
ニューラル データを利用して視覚タスクで色をデコードすることにより、このアプローチの分類機能を実証します。
このモデルは、4 人の患者のデータセットで 75.55% という一貫した信頼性の高い平均パフォーマンスを示し、最先端の機械学習技術より約 3.0% 向上しました。
高い分類精度に加えて、提案された BTsC モデルは解釈可能な結果を​​提供するため、この技術はさまざまなタスクやカテゴリの神経活動を研究するための貴重なツールになります。
提案されたソリューションは、解釈可能な結果と正確な分類精度が必要なさまざまなタスクで記録されたニューラル データに適用できます。

要約(オリジナル)

Understanding how external stimuli are encoded in distributed neural activity is of significant interest in clinical and basic neuroscience. To address this need, it is essential to develop analytical tools capable of handling limited data and the intrinsic stochasticity present in neural data. In this study, we propose a straightforward Bayesian time series classifier (BTsC) model that tackles these challenges whilst maintaining a high level of interpretability. We demonstrate the classification capabilities of this approach by utilizing neural data to decode colors in a visual task. The model exhibits consistent and reliable average performance of 75.55% on 4 patients’ dataset, improving upon state-of-the-art machine learning techniques by about 3.0 percent. In addition to its high classification accuracy, the proposed BTsC model provides interpretable results, making the technique a valuable tool to study neural activity in various tasks and categories. The proposed solution can be applied to neural data recorded in various tasks, where there is a need for interpretable results and accurate classification accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google