?
Aim-based choice of strategy for MEG-based brain state classification
В этом обзоре рассматривается взаимосвязь между представлением данных и методами машинного обучения (ML) при классификации функциональных, когнитивных и патологических состояний мозга с использованием магнитоэнцефалографии (МЭГ). Рассматриваются два основных представления данных: сигналы на уровне сенсоров и восстановленные сигналы источников. Сигналы сенсоров в сочетании с классическими методами ML, такими как линейный дискриминантный анализ (LDA) и методы опорных векторов (SVM), обеспечивают вычислительную эффективность и упрощённую предобработку, что делает их подходящими для приложений, таких как интерфейсы «мозг‑компьютер» (BCI) и оперативная диагностика. Сигналы сенсоров также эффективно обрабатываются современными методами глубокого обучения (DL), например сверточными нейронными сетями (CNN), особенно для задач с минимальной предобработкой и высокоразмерными данными. С другой стороны, сигналы источников, обеспечивающие лучшую пространственную локализацию, хорошо подходят для задач, требующих анатомического отображения, таких как анализ функциональной связности. Эти сигналы часто комбинируют с подходами глубокого обучения для сложного извлечения признаков или используют вместе с классическими методами ML, чтобы воспользоваться их интерпретируемостью и устойчивостью в сценариях с низкоразмерными данными. В обзоре подчёркивается, что стратегическое сочетание представления данных и методов ML позволяет оптимизировать стратегии предобработки и повышать точность классификации в разнообразных задачах классификации состояний мозга.