Bayesian Functional Connectivity and Graph Convolutional Network for Working Memory Load Classification

大脑对工作记忆的反应来自不同的脑区，并以不同的频率振荡。具有高时间相关性的脑电信号可以有效捕捉这些反应。因此，在不同频段中估计工作记忆协议的脑电功能连接在分析随着记忆和认知负荷增加的脑动力学方面起着重要作用，这方面的研究尚未得到充分探索。本研究介绍了一种贝叶斯结构学习算法，用于学习传感器空间中脑电的功能连接。接下来，将功能连接图作为输入传递给图卷积网络，用于分类工作记忆负荷。在154个受试者的六种不同的口头工作记忆负荷的个体内（个体特异性）分类中，产生了最高的96％分类准确度和平均分类准确度89％，优于文献中提出的最先进的分类模型。此外，通过组内和个体内方差的统计分析，将所提出的贝叶斯结构学习算法与最先进的功能连接估计方法进行了比较。结果还表明，alpha波和theta波的分类准确度比beta波更高。

本论文旨在通过学习EEG的功能连接性来分类不同的工作记忆负荷，并比较不同频带的分类效果。这是否是一个新问题？

通过贝叶斯结构学习算法学习EEG的功能连接性，然后使用图卷积网络对工作记忆负荷进行分类。该方法在154个受试者上进行了测试，并取得了96%的最高分类准确率和89%的平均分类准确率，优于现有的分类模型。此外，论文还比较了不同功能连接性估计方法的效果。

论文使用了贝叶斯结构学习算法和图卷积网络来分类不同的工作记忆负荷，并在154个受试者上进行了测试。该方法取得了96%的最高分类准确率和89%的平均分类准确率，优于现有的分类模型。论文还比较了不同功能连接性估计方法的效果，并发现alpha和theta频带的分类效果更好。

最近的研究主要集中在使用EEG信号来分类不同的认知任务，如注意力和工作记忆。相关的研究包括“EEG-based classification of cognitive workload using machine learning techniques”和“EEG-based cognitive workload classification using deep belief networks”。