一种集体深度学习方法用于单次试验振动强度EEG分类

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 人与计算机的交互

背景情况:

• 单试验脑电图 (EEG) 分类对于理解触觉反期间的认知状态至关重要.
• 卷积神经网络 (CNN) 擅长从EEG数据中提取特征,用于认知功能分类.
• 感知振动强度是人机交互的一个关键方面,需要精确的认知评估.

研究的目的:

• 提出一种新的CNN组合模型,SE NexFusion,用于从单次试验EEG分类振动强度.
• 在振动强度分类方面超越现有的最先进的EEG模型.
• 评估模型捕捉与触觉反相关的认知体验的能力.

主要方法:

• 开发了SE NexFusion,这是一个CNN组合模型,利用EEGNex和TCNet Fusion的互补学习.
• 采用多分支特征编码器与挤压和激发单元来增强特征提取和重新校准.
• 利用原始单一试验EEG数据,尽量减少复杂预处理的需要.

主要成果:

• 在三类振动强度分类中,平均准确率为60.7% (离开一个受试者) 和61.6% (在受试者内).
• 与一些最先进的EEG模型相比,其表现优越.
• 使用Shapley值验证模型稳定性,以确定有影响力的时空特征.

结论:

• 在对振动强度进行分类方面,SE NexFusion显著优于基准EEG模型.
• 可解释性分析证实,该模型的重点是振动强度的相关神经相关物.
• 该模型提供了一种强大的方法来评估与触觉反相关的认知状态.