Cognitive stage detection and interpretation

Beter begrip van de stadia die cognitieve verwerking omvatten

Elk proces van ons leven kan worden onderverdeeld in stappen of, met andere woorden, stadia die dit proces beschrijven. Het gaat om eenvoudige dagelijkse bezigheden zoals het voorbereiden om naar het werk te gaan en om complexere activiteiten zoals het schrijven van een wetenschappelijke paper of deze scriptie. Dus, zelfs in totaal verschillende gebieden van het leven, speelt het definiëren van de samenstellende stadia een cruciale rol om het proces te begrijpen. Met dit proefschrift willen we een beter begrip verschaffen van de stadia die cognitieve verwerking omvatten.

Om dit doel te bereiken, hebben we een gecombineerde techniek uit kunstmatige intelligentie en neurowetenschap gebruikt, een nieuw machine learning algoritme met de naam Hidden semi-Markov Model multivariate pattern analysis (HsMM-MVPA). Deze big-data methode zoekt naar relevante informatie in het gehele signaal van een experiment om uiteindelijk cognitieve processen veel gedetailleerder te onderzoeken. In dit proefschrift hebben we HsMM-MVPA toegepast op twee beeldvormende technieken die worden gebruikt om hersenactiviteit te meten tijdens het uitvoeren van cognitieve taken, elektro-encefalografie (EEG) en magneto-encefalografie (MEG).

Deze technieken hebben een zeer hoge temporele resolutie waardoor hersenactiviteit op een milliseconde tijdschaal kan worden vastgelegd. Om robuuste conclusies over de cognitieve stadia te verkrijgen, hebben we HsMM-MVPA gecombineerd met experimentele manipulaties en andere traditionele modelleringstechnieken. Bovendien wilden we dat onze fasedefinities taakonafhankelijk zouden zijn; om deze reden hebben we drie verschillende taken van toenemende complexiteit gebruikt: eenvoudige visuele discriminatie, lexicale beslissing en het leren van woordenschat.

Proefschrift: http://hdl.handle.net/11370/bb98932a-fe62-4c6a-954c-0624f58a299b