MST-net:一个基于EEG的认知负载评估的多尺度变压器网络

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 人与计算机的交互

背景情况:

• 认知负载评估对于安全生产,资源管理和人机交互至关重要.
• 脑电图 (EEG) 是大脑监测的首选方法,因为它具有高时间分辨率和易于使用.

研究的目的:

• 提出和验证一个新的多尺度旋转变压器网络 (MST-Net) 用于使用EEG信号进行准确的认知负载评估.

主要方法:

• 开发了MST-Net集成多尺度平行卷积用于局部特征提取和Swin变压器注意力用于多尺度特征相关性.
• 验证了MST-Net在不同负载级别的认知和N-back任务中的EEG数据上的性能.

主要成果:

• 与标准的Swin变压器和卷积神经网络 (CNN) 模型相比,MST-Net在本地和公共数据集上都显示出更高的分类准确性.
• 废除研究和特征可视化证实了MST-Net在有效区分不同认知负载方面的能力.

结论:

• 拟议的MST-Net为认知负载评估提供了一个强大的新工具.
• MST-Net显示出在脑计算机接口 (BCI) 系统中广泛应用的巨大潜力.