基于脑电图的学科匹配学习 (ESML):基于脑电图的生物识别和任务识别的深度学习框架.
Jin Xu1, Erqiang Zhou1, Zhen Qin1
1School of Information and Software Engineering, University of Electronic Science and Technology of China, Chengdu 610097, China.
Behavioral sciences (Basel, Switzerland)
|September 27, 2023
概括
一个新的深度学习框架ESML (基于EEG的主题匹配学习),有效地识别用户并使用原始脑电图 (EEG) 信号进行任务分类,而无需预处理. 这种方法实现了高精度,证明了EEG的精度.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 电脑电图 (EEG) 信号反映了人类大脑的活动.
- 精确的用户识别和任务分类从EEG是具有挑战性的.
研究的目的:
- 引入一个新的深度学习框架,ESML (基于EEG的主题匹配学习),用于基于EEG的用户识别和任务分类.
- 使用未经预处理的原始EEG信号来评估ESML的有效性.
主要方法:
- 开发ESML,这是一个两部分的深度学习框架:ESML1 (基于LSTM) 用于用户识别和ESML2 (基于CNN) 用于任务分类.
- 利用原始EEG信号,消除了无声化或特征提取的需要.
- 验证了三个公共EEG数据集的框架.
主要成果:
- 与传统的机器学习方法 (SVM,LDA,NN,DTS,贝叶斯式,AdaBoost,MLP) 相比,ESML显示出更高的性能.
- 在109个用户中,ESML1实现了96%的用户识别精度.
- 在3个类别的任务分类中,ESML2实现了99%的精度.
结论:
- 拟议的ESML框架对于基于EEG的用户识别和任务分类是有效和高效的.
- 原始的EEG信号可以直接用于这些应用程序,简化数据采集和处理.
- 脑电图信号具有生物识别和认知状态监测的巨大潜力.
