Neural avkodning genom multivariat mönsteranalys av elektroencefalografisk data
(2015) PSYK11 20151Department of Psychology
- Abstract
- Multivariate pattern analysis (MVPA) is a machine learning method that has, over the past 15 years, been used in brain imaging studies to decode and to classify neural representations that emerges when participants cognitively process the exposure of various stimuli. The purpose of this study was, with the use of classifiers, to decode the electroencephalographic brain activity that occurred when subjects observed images from three different categories: famous faces, everyday objects, and famous landmarks. To determine the decoding performance the accuracy of each classifier was calculated when predicting which category the activation patterns of the 23 subjects belonged to. The results revealed that the accuracy peaked at 64.76% for the... (More)
- Multivariate pattern analysis (MVPA) is a machine learning method that has, over the past 15 years, been used in brain imaging studies to decode and to classify neural representations that emerges when participants cognitively process the exposure of various stimuli. The purpose of this study was, with the use of classifiers, to decode the electroencephalographic brain activity that occurred when subjects observed images from three different categories: famous faces, everyday objects, and famous landmarks. To determine the decoding performance the accuracy of each classifier was calculated when predicting which category the activation patterns of the 23 subjects belonged to. The results revealed that the accuracy peaked at 64.76% for the representations of the facial images, and at 48.21% for the images composed of landmarks. The classification of the object category showed no significant difference in performance when compared against chance. The average classification accuracy for the three image categories amounted to 49.25%. (Less)
- Abstract (Swedish)
- Multivariat mönsteranalys (MVPA) är en maskininlärningsmetod som de senaste 15 åren använts inom hjärnavbildningsstudier för att avkoda och klassificera neurala representationer som uppstår vid kognitiv bearbetning hos försöksdeltagare då de utsätts för olika slags stimuli. Syftet med denna undersökning har varit att med hjälp av klassificerare avkoda den elektroencefalografiska hjärnaktivitet som uppstod då försöksdeltagare iakttog bilder från tre olika kategorier: välkända ansikten, vardagsobjekt och kända landmärken. För att avgöra hur väl avkodningen lyckats har klassificerarnas procentuella träffsäkerhet beräknats vid predicerandet av vilken bildkategori som aktiveringsmönstren från de 23 försöksdeltagarna tillhörde. Resultatet visade... (More)
- Multivariat mönsteranalys (MVPA) är en maskininlärningsmetod som de senaste 15 åren använts inom hjärnavbildningsstudier för att avkoda och klassificera neurala representationer som uppstår vid kognitiv bearbetning hos försöksdeltagare då de utsätts för olika slags stimuli. Syftet med denna undersökning har varit att med hjälp av klassificerare avkoda den elektroencefalografiska hjärnaktivitet som uppstod då försöksdeltagare iakttog bilder från tre olika kategorier: välkända ansikten, vardagsobjekt och kända landmärken. För att avgöra hur väl avkodningen lyckats har klassificerarnas procentuella träffsäkerhet beräknats vid predicerandet av vilken bildkategori som aktiveringsmönstren från de 23 försöksdeltagarna tillhörde. Resultatet visade att träffsäkerheten uppgick till 64.76% för representationerna av ansiktsbilderna, och till 48.21% för bilderna på landmärken. Klassificeringen av objektkategorin visade ingen signifikant prestationsskillnad i jämförelse med ett slumpmässigt resultat. Den genomsnittliga träffsäkerheten för bildkategoriernas samtliga klassificerare uppgick till 49.25%. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/7859114
- author
- Cremona, Samuel LU
- supervisor
-
- Mikael Johansson LU
- Ines Bramao LU
- organization
- course
- PSYK11 20151
- year
- 2015
- type
- M2 - Bachelor Degree
- subject
- keywords
- neuropsychology, neuropsykologi, electroencephalography, classification, neural decoding, machine learning, multivariate pattern analysis, EEG, elektroencefalografi, klassificering, neural avkodning, maskininlärning, MVPA, multivariat mönsteranalys
- language
- Swedish
- id
- 7859114
- date added to LUP
- 2015-09-07 09:15:28
- date last changed
- 2015-09-07 09:15:28
@misc{7859114,
abstract = {{Multivariate pattern analysis (MVPA) is a machine learning method that has, over the past 15 years, been used in brain imaging studies to decode and to classify neural representations that emerges when participants cognitively process the exposure of various stimuli. The purpose of this study was, with the use of classifiers, to decode the electroencephalographic brain activity that occurred when subjects observed images from three different categories: famous faces, everyday objects, and famous landmarks. To determine the decoding performance the accuracy of each classifier was calculated when predicting which category the activation patterns of the 23 subjects belonged to. The results revealed that the accuracy peaked at 64.76% for the representations of the facial images, and at 48.21% for the images composed of landmarks. The classification of the object category showed no significant difference in performance when compared against chance. The average classification accuracy for the three image categories amounted to 49.25%.}},
author = {{Cremona, Samuel}},
language = {{swe}},
note = {{Student Paper}},
title = {{Neural avkodning genom multivariat mönsteranalys av elektroencefalografisk data}},
year = {{2015}},
}