空间-CNN:基于来自不同大脑区域的EEG信号的决策分类方法
Huang Xue1,2, Jingmin Yang3,4, Wenjie Zhang1,2
1School of Computer Science and Engineering, Minnan Normal University, Zhangzhou, 363000, China.
Medical & biological engineering & computing
|November 12, 2023
概括
这项研究使用脑电图 (EEG) 数据和基于空间特征的卷积神经网络 (space-CNN) 来客观地分类艺术设计决策. 头顶叶对决策产生了最重要的影响.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 人工智能的人工智能
背景情况:
- 决策对于人类的互动和认知至关重要.
- 在对艺术设计决定进行分类时,主观性需要客观的方法.
- 电脑电图 (EEG) 为研究设计决策提供了更客观的方法.
研究的目的:
- 使用EEG信号客观地对艺术设计决策进行分类.
- 研究不同大脑区域对设计决策分类的影响.
- 提出和评估一种基于空间特征的卷积神经网络 (space-CNN),用于EEG信号分析.
主要方法:
- 从16名受试者收集了EEG数据,他们查看了四种刺激模式.
- 应用离散波波变换 (DWT) 来降低原始EEG数据的噪声.
- 通过将空间特征集成为CNN输入来生成EEG图像.
主要成果:
- 额叶对决策产生最大影响,其次是额叶,叶和叶.
- 拟议的太空-CNN 在分类设计决策方面实现了平均86.13%的准确性.
- 这种准确性比类似的现有研究显著提高了大约6%.
结论:
- EEG信号的空间特征对于准确分类艺术设计决策至关重要.
- 空间-CNN模型有效地利用这些空间特征来改进决策分类.
- 这些发现为艺术设计决策的神经相关性提供了客观的见解.
