Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

P<sup>2</sup>CSL: cross-subject EEG classification by subspace class prototype-based progressive confident target sample labeling.

Journal of neural engineering·2025
Same author

CAGCNet: generalized contrastive learning for person identification based on channel aggregated EEG features.

Cognitive neurodynamics·2025
Same author

EEG-based speech imagery decoding by dynamic hypergraph learning within projected and selected feature subspaces.

Journal of neural engineering·2025
Same author

EEG-based affective brain-computer interfaces: recent advancements and future challenges.

Journal of neural engineering·2025
Same author

Cross-session SSVEP brainprint recognition using attentive multi-sub-band depth identity embedding learning network.

Cognitive neurodynamics·2025
Same author

Affective EEG-based cross-session person identification using hierarchical graph embedding.

Cognitive neurodynamics·2024

Video Experimental Relacionado

Updated: Sep 10, 2025

Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example
08:45

Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example

Published on: October 24, 2012

14.8K

Método de aprendizaje de características de EEG híbrido para la clasificación de estado de atención mental humana en

Xu Chen1, Xingtong Bao1, Kailun Jitian1

  • 1School of Computer Science and Technology, Hangzhou Dianzi University, Hangzhou 310018, China.

Brain sciences
|August 28, 2025
PubMed
Resumen

Este estudio introduce un nuevo método para decodificar con precisión los estados de atención mental de las señales del electroencefalograma (EEG), mejorando las interfaces cerebro-computadora (BCI) en diferentes usuarios y sesiones.

Palabras clave:
Los estados de atención mental basados en EEG decodificanInterfaz cerebro-computadoraClasificación entre sesionesSelección de las característicasaprendizaje de características híbridas

Más Videos Relacionados

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

4.1K
Method for Simultaneous fMRI/EEG Data Collection during a Focused Attention Suggestion for Differential Thermal Sensation
06:33

Method for Simultaneous fMRI/EEG Data Collection during a Focused Attention Suggestion for Differential Thermal Sensation

Published on: January 5, 2014

11.9K

Videos de Experimentos Relacionados

Last Updated: Sep 10, 2025

Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example
08:45

Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example

Published on: October 24, 2012

14.8K
Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

4.1K
Method for Simultaneous fMRI/EEG Data Collection during a Focused Attention Suggestion for Differential Thermal Sensation
06:33

Method for Simultaneous fMRI/EEG Data Collection during a Focused Attention Suggestion for Differential Thermal Sensation

Published on: January 5, 2014

11.9K

Área de la Ciencia:

  • La neurociencia
  • Procesamiento de señales
  • Aprendizaje automático

Sus antecedentes:

  • La decodificación de los estados de atención mental del electroencefalograma (EEG) es vital para aplicaciones como el monitoreo cognitivo y las interfaces cerebro-computadora (BCI).
  • Los métodos de EEG existentes luchan con la variabilidad entre sesiones y entre sujetos, lo que limita su aplicabilidad en el mundo real.
  • La decodificación de atención robusta requiere modelos que se generalicen más allá de usuarios específicos o sesiones de grabación.

Objetivo del estudio:

  • Desarrollar un marco de aprendizaje de características híbridas para una clasificación robusta de los estados de atención mental (enfocado, desenfocado, somnoliento).
  • Mejorar la generalización de la decodificación de la atención basada en EEG en diferentes sesiones e individuos.
  • Establecer una base para sistemas prácticos y continuos de monitoreo del estado mental.

Principales métodos:

  • Una tubería unificada que integra el preprocesamiento, la extracción de características espectrales por canal (STFT) y las características de conectividad (funcional y estructural).
  • Una selección de características en dos etapas que combina el filtrado basado en correlaciones y la clasificación aleatoria del bosque para la reducción de la relevancia y la dimensionalidad.
  • Máquina vectorial de soporte (SVM) para una clasificación final eficiente y generalizable.

Principales resultados:

  • Se logró una alta precisión de clasificación del 86,27% y del 94,01% en dos conjuntos de datos de EEG entre sesiones y entre sujetos.
  • Significativamente mejor que los métodos tradicionales de decodificación de la atención basados en EEG.
  • Demostró la eficacia de la integración de las características de conectividad con el análisis espectral.

Conclusiones:

  • La integración de características conscientes de la conectividad con el análisis espectral mejora significativamente la generalización de los modelos de decodificación de la atención.
  • El marco híbrido propuesto ofrece un enfoque prometedor para el monitoreo del estado mental basado en EEG en el mundo real.
  • Este trabajo allana el camino para interfaces cerebro-computadora más robustas y adaptables.