预测和检测虚拟现实诱导的网络疾病:使用时空EEG大脑数据和心率波动的尖端神经网络方法
Alexander Hui Xiang Yang1, Nikola Kirilov Kasabov2,3,4, Yusuf Ozgur Cakmak5,6,7,8
1Cakmak Lab, Department of Anatomy, University of Otago, Dunedin, New Zealand.
Brain informatics
|July 12, 2023
概括
研究人员使用脑电图 (EEG) 开发了深度学习模型,用于在虚拟现实 (VR) 使用之前和期间预测和检测网络疾病 (CS). 这种进步提供了客观的工具来管理VR引起的不适,并改善用户体验.
科学领域:
- 神经科学是一个神经科学.
- 虚拟现实技术 虚拟现实技术
- 生物医学工程 生物医学工程
背景情况:
- 虚拟现实 (VR) 提供了沉浸式体验,但受到网络疾病 (CS) 的阻碍,这种疾病的症状包括恶心和头.
- 目前用于管理CS的方法缺乏客观的,用于预测或检测的自动化工具.
- 了解CS期间的大脑动态和生理反应对于开发有效的干预措施至关重要.
研究的目的:
- 探索与网络疾病相关的时空大脑动态和心率变化 (HRV).
- 开发和评估深度学习模型,用于预测和检测CS事件.
- 确定关键的大脑区域参与CS易感性和经验.
主要方法:
- 应用深度学习,特别是尖端神经网络 (SNN) 架构,对脑电图 (EEG) 数据.
- 分析了由脑电图 (EEG) 和心电图 (ECG) 衍生的同情心率变化 (HRV) 以用于CS预测和检测.
- 在CS事件期间,研究了关键大脑区域 (Cz,O2,F7) 的功能连接.
主要成果:
- 使用EEG的深度学习模型在预测CS时达到85.9%的准确率,在检测CS时达到76.6%.
- 与EEG相比,来自心电图的交感HRV参数的准确性较低 (74.2%的预测,72.6%的检测).
- 对EEG和HRV的多式融合并没有显著提高单独对EEG的准确性.
- 确定了Cz,O2和F7作为与CS和易感性相关的关键大脑中心.
结论:
- 使用EEG的深度学习提供了一个有希望的,准确的方法来预测和检测网络疾病.
- 特定的大脑区域 (Cz,O2,F7) 被确定为未来CS干预的潜在目标.
- 用于CS管理的客观,自动化工具可以增强VR采用和用户安全.
