混合深度学习方法用于使用分解的EEG信号检测压力
Bishwajit Roy1, Lokesh Malviya2, Radhikesh Kumar3
1Department of Computer Science Engineering-AI & ML, Siliguri Institute of Technology, Siliguri 734009, India.
Diagnostics (Basel, Switzerland)
|June 10, 2023
概括
这项研究引入了一种新的混合深度学习模型,用于使用脑电图 (EEG) 信号准确检测心理压力. 该先进的模型与CNN,BiLSTM和GRU网络集成离散波量变换,以改进应力分类.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 心理压力显著影响身体健康和日常表现.
- 早期发现压力对于预防疾病进展和改善患者的治疗结果至关重要.
- 脑电图 (EEG) 是测量与心理状态相关的大脑活动的关键工具.
研究的目的:
- 从多通道EEG记录中开发一种有效的自动特征提取和应力检测方法.
- 调查混合深度学习模型对分类压力水平的有效性.
- 将拟议模型的性能与传统深度学习技术进行比较.
主要方法:
- 应用离散波段变换 (DWT) 来分解14通道的EEG信号,解决非线性和非静止性问题.
- 使用卷积神经网络 (CNN) 来自动从分解的EEG频段中提取特征.
- 采用混合模型,集成BiLSTM和两个GRU层进行应力级别分类.
主要成果:
- 拟议的基于DWT的混合模型 (CNN,BiLSTM,GRU) 与单个传统模型 (CNN,LSTM,BiLSTM,GRU,RNN) 相比,显示出更高的分类准确性.
- 混合方法有效地处理了非线性EEG信号中的长期依赖.
- 该模型在区分压力水平与EEG数据方面取得了更高的准确性.
结论:
- 混合深度学习模型为准确和高效的心理压力检测提供了一个有希望的方法.
- 拟议的基于DWT的CNN,BiLSTM和GRU集成适用于心理和身体健康的临床应用.
- 这种方法支持早期干预和预防压力相关疾病的预防策略.
