Optimizing Spectral Graph Kernels for Time-Delay Embedding of Multichannel EEG Data
Notice bibliographique
Résumé
The task of determining the dynamic patterns of causal connectivity among brain regions from EEG data is challenging due to inherent noise in EEG signals, sparse connections. High volume and dimensionality of data add substantial computational demands. Koopman embedding kernels offer a promising approach for capturing the low-dimensional linear embeddings of complex nonlinear system dynamics. This study focuses on leveraging the Graph Kernel Koopman Embedding (GKKE) method to extract latent factors, a novel application within the realm of EEG analysis. Specifically, the research pioneers the adaptation of the GKKE algorithm to estimate the inherent connectivity substructures, that enable investigations of the neuro-markers of cognitive load states and disorders like seizures from EEG signals. The graph for each segment was constructed by computing the correlation coefficients among the channel pairs. The algorithmic workflow was applied to a labelled cognitive load dataset from an online repository. The features were extracted in terms of Koopman-spectral decomposed clusters of eigenfunctions of the gram matrices produced by two different graph kernels applied for approximation of the Koopman operator over each EEG-segment. These features, representing the latent metastable states, were fed into machine learning classifiers, including SVM and Random Forest, and Decision Tree classifiers. Weisfeiler-Lehman Kernel (WL)-Kernel yielded an average accuracy of around 84% for all the classifiers and outperformed the Random-walk kernel. The significance of this work lies in its pioneering use of graph Koopman spectral decomposition-based low-dimensional embedding of the metastable structures of connectivity to provide an algorithm that enables neuro-marker estimation. Specific contribution is the workflow that determines the optimal combination of the graph kernel and classifier ensemble. This equips deeper understanding of the connectivity dynamics of brain regions related to cognitive states offers a new avenue for prognosis and training protocols to improve cognitive states.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».