通过基于形态特征和LSTM-CNN的任意频道EEG进行精神疲劳评估
Xiaolong Wu1, Jianhong Yang2, Yongcong Shao3
1School of Mechanical Engineering, University of Science and Technology Beijing, Beijing, China; Shunde Innovation School, University of Science and Technology Beijing, Guangdong, China.
Computers in biology and medicine
|November 11, 2023
概括
本研究介绍了数学形态学和LSTM-CNN,用于使用电脑电图 (EEG) 进行敏感的精神疲劳评估. 这种新的方法可以准确地检测单个EEG通道的疲劳,为现实世界的应用提供了可行的解决方案.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 信号处理 信号处理
背景情况:
- 心理疲劳评估对于安全性和性能至关重要.
- 电脑电图 (EEG) 提供了一种非侵入性方法来监测大脑活动.
- 目前基于EEG的精神疲劳评估方法往往缺乏跨道的敏感性和通用性.
研究的目的:
- 开发一种更敏感的精神疲劳评估 (MFA) 方法,使用任意电脑电图 (EEG) 通道.
- 结合数学形态学 (MM) 用于特征提取与长短期记忆-卷积神经网络 (LSTM-CNN) 架构.
- 评估拟议方法在区分休息时的清醒状态和睡眠剥夺状态方面的有效性.
主要方法:
- 收集了37名在休息状态 (RW) 和24小时睡眠剥夺 (SD) 条件下的受试者的静止状态EEG数据.
- 应用数学形态学 (MM) 技术从EEG信号中提取形态特征,独立于时间频率分析.
- 开发并将LSTM-CNN架构与LSTM,CNN和MLP模型进行比较,用于使用单个EEG通道进行MFA.
主要成果:
- 基于MM的特征显示了休息状态和疲劳状态之间的显著统计差异 (单个特征的p<0.000001).
- 基于任意通道的LSTM-CNN架构实现了MFA的0.992的曲线下的最高面积 (AUC).
- 拟议的LSTM-CNN与MM实现了97.024%的真实阳性率 (TPR) 和3.497%的假阳性率 (FPR).
结论:
- 数学形态学有效地捕捉了暗示精神疲劳的EEG特征.
- 在LSTM-CNN架构证明了在任意EEG通道中对精神疲劳评估的优越概括性.
- 这项研究为基于单通道EEG的灵敏精神疲劳评估提供了强大可行的解决方案.
