在基于脑电图的视听注意力任务中对目标和分散注意力的分类
Steven Mortier1, Renata Turkeš1, Jorg De Winne2,3
1IDLab-Department of Computer Science, University of Antwerp-imec, Sint-Pietersvliet 7, 2000 Antwerp, Belgium.
Sensors (Basel, Switzerland)
|December 9, 2023
概括
听觉和节奏线索可以提高对微妙视觉刺激的注意力. 机器学习模型使用脑电图 (EEG) 数据准确地区分了目标和分心器,帮助大脑与计算机接口的开发.
科学领域:
- 人与计算机的交互
- 神经科学是一个神经科学.
- 机器学习 机器学习
背景情况:
- 改善人类与人工智能之间的互动至关重要.
- 听觉和节奏线索可能会提高对非液视觉刺激的注意力.
- 与P3a事件相关的潜力 (ERP) 对于注意力研究具有重要意义.
研究的目的:
- 调查听觉/节奏支持是否可以提高对视觉刺激的注意力.
- 使用脑电图 (EEG) 数据将目标与分心器区分开来.
- 在基于EEG的分类中应用机器学习 (ML).
主要方法:
- 设计了一项灵感来自pip-and-pop范式的实验.
- 机器学习模型 (个体主体和跨主体) 用于EEG数据分类.
- 使用突出地图来识别重要的EEG通道和时间点.
主要成果:
- 在单个主题和跨主题模型中,分类准确率高达76%.
- 该模型使用200-300毫秒后刺激的头顶-尾电极进行预测.
- 这些发现与P3a-ERP本地化现有文献一致.
结论:
- 脑电图数据可以可靠地用于区分目标和分心器.
- 该研究验证了实验性EEG数据和方法.
- 结果有助于开发基于P300的先进的大脑计算机接口.
