A Bayesian machine learning approach for EEG functional connectivity estimation and working memory load classification in human subjects

Abstract

Analyzing working memory is essential for understanding cognitive processes and improving educational strategies, mental health diagnostics, and psychological interventions. Electroencephalogram (EEG) signals, known for their high temporal correlation, effectively capture these subtle responses, highlighting the importance of assessing EEG-based functional connectivity across various frequency bands to understand brain dynamics under varying cognitive loads. Traditional methods, typically involving regression models, often face challenges like biased connectivity estimates due to enforced sparsity and inaccuracies from small sample sizes or sampling noise. Addressing these issues, the current study develops a Bayesian structure learning algorithm to learn the functional connectivity of EEG. This approach ensures accurate connectivity analyses across different frequency bands. Next, functional connectivity features are given as an input to graph convolutional network to classify working memory loads. This study analyzes five working memory datasets to evaluate the proposed methodology. The subject-specific classification yields an average sensitivity and specificity of 92% and 94%, respectively. The proposed methodology produced consistent results in functional connectivity estimation compared to state-of-the-art functional connectivity metrics. The study finds that encoding information is critical in altering functional connectivity for different working memory loads rather than its manipulation/retention of tasks.

El análisis de la memoria de trabajo resulta fundamental para la comprensión de los procesos cognitivos y el perfeccionamiento de estrategias educativas, así como para la realización de diagnósticos en salud mental y las intervenciones psicológicas. Las señales de electroencefalograma (EEG), conocidas por su alta correlación temporal, capturan eficazmente estas respuestas sutiles, lo que destaca la importancia de evaluar la conectividad funcional basada en EEG en varias bandas de frecuencia para comprender la dinámica cerebral bajo diferentes cargas cognitivas. Los métodos tradicionales, que normalmente implican modelos de regresión, a menudo enfrentan desafíos como estimaciones de conectividad sesgadas debido a la dispersidad forzada y las imprecisiones de tamaños de muestra pequeños o ruido de muestreo. Para abordar estos problemas, el estudio actual desarrolla un algoritmo de aprendizaje estructural bayesiano para aprender la conectividad funcional del EEG. Este enfoque garantiza análisis precisos de la conectividad en diferentes bandas de frecuencia. Posteriormente, se proporcionan características de conectividad funcional como entrada para graficar la red convolucional para clasificar las cargas de la memoria de trabajo. Este estudio analiza cinco conjuntos de datos de memoria de trabajo para evaluar la metodología propuesta. La clasificación es personalizada para cada sujeto participante y arroja una sensibilidad y especificidad promedio del 92% y 94%, respectivamente. La metodología propuesta produjo resultados consistentes en la estimación de la conectividad funcional en comparación con las métricas de conectividad funcional de última generación. El estudio encuentra que codificar información es fundamental para alterar la conectividad funcional para diferentes cargas de memoria de trabajo en lugar de su manipulación/retención de tareas.