经功能连接性和机器学习方法分类长期经皮颅电刺激后的执行功能表现
内容提要
该文综述多项EEG研究：利用功能连接与机器学习预测认知表现，多层感知器和有向传递函数准确率较高；随机森林分类STEM任务达91.07%；隐马尔可夫模型结合深度神经网络可区分学习者；还涉及自监督神经负荷建模、联邦学习隐私保护、跨任务神经架构搜索及Transformer分类EEG，推动脑活动机制理解。
延伸解读
机器学习模型在EEG分析中的表现差异
文章指出，不同机器学习算法在基于EEG的认知表现预测中准确率各异。多层感知器和有向传递函数预测准确率较高；随机森林在STEM任务分类中达到91.07%的测试准确率；而隐马尔可夫模型结合深度神经网络仅在theta频段下ROC曲线下面积超过80%。这些结果提示，模型选择需结合具体任务和EEG特征，并非所有算法都普遍适用。
脑区功能连接与认知任务的关联
研究显示，任务特定分类准确率揭示右额叶在数学处理和规划中表现突出，左额叶与认知灵活性、心理灵活性相关，左颞顶叶则在连接方面出色。进行STEM活动时，额叶与颞顶叶之间出现大量连接。这为理解复杂认知任务中脑区协同提供了基于EEG功能连接的证据，但结论仍需更多研究验证。
隐私保护与跨任务EEG分类的技术进展
文章提及基于联邦学习的隐私保护深度学习架构FTL，在保护隐私前提下，于2类动作想象分类中优于其他先进架构。此外，跨任务神经架构搜索框架CTNAS-EEG可自动设计网络结构，在运动想象和情感识别等任务中效果优于同类研究。这些方法为EEG分类的实用化和可扩展性提供了新思路。
Q&A
在复杂多任务中，哪些基于EEG的功能连接分析和机器学习算法预测认知表现准确率较高？
多层感知器和有向传递函数具有较高的预测准确率。
使用随机森林分类STEM任务时，测试准确率达到了多少？
随机森林在两个间隔大小时表现最好，测试准确率达到91.07%。
在STEM活动中，大脑不同区域分别擅长哪些认知功能？
右额叶在数学处理和规划方面表现出色，左额叶在认知灵活性和心理灵活性方面表现出色，左颞顶叶在连接方面表现出色。
使用隐马尔可夫模型和深度神经网络分类学习者和非学习者时，什么条件下能达到超过80%的ROC曲线下面积？
只有使用theta EEG数据和深度神经网络时，才能达到超过80%的ROC曲线下面积。
FTL方法在EEG分类中有什么优势？
FTL是一种基于联邦学习的隐私保护深度学习架构，通过领域自适应技术从多个受试者的EEG数据中提取共同的区分信息，在保护隐私的前提下，在2类动作想象分类任务中表现出比其它最先进DL架构更好的性能。
Transformer网络用于EEG数据分类有什么效果？
基于Transformer的深度学习模型可以成功地消除对EEG数据特征提取的需求，实现了脑电图数据的高效分类。
