实时估计基于EEG的参与不同任务
Angela Natalizio1,2,3, Sebastian Sieghartsleitner1,4, Leonhard Schreiner1,5
1g.tec medical engineering GmbH, Schiedlberg, Austria.
Journal of neural engineering
|January 18, 2024
概括
这项研究引入了一种使用脑电图 (EEG) 脑活动实时参与估计的新方法. 开发的脑计算机接口 (BCI) 模型在不同任务中显示出高精度,有助于学习和康复的应用.
科学领域:
- 神经科学是一个神经科学.
- 人与计算机的交互
- 生物医学工程 生物医学工程
背景情况:
- 大脑-计算机接口 (BCI) 越来越多地用于像参与这样的认知状态的被动监测.
- 参与度监测对于适应性学习系统,沉浸式娱乐和个性化康复至关重要.
- 现有的方法往往缺乏实时跨任务适用性,用于参与度估计.
研究的目的:
- 开发和验证一种使用电脑电图 (EEG) 进行实时参与估计的新方法.
- 评估开发的基于EEG的参与估计模型的跨任务通用性.
- 调查所感知与客观测量的参与之间的关系.
主要方法:
- 23名健康受试者在经过修改的d2测试期间进行了EEG记录,以引起参与.
- 在学科内部的分类模型使用过器银行共同的空间模式和线性差异分析进行了训练.
- 模型的性能在各种任务中进行了评估:不同速度的Tetris和观看不同的视频.
主要成果:
- 在独立的数据集上,EEG参与估计模型实现了90%的平均分类准确性.
- 在广告视频与景观视频之间检测到更高的参与度,以及在更快的Tetris游戏中.
- 在感知和估计的参与之间发现了显著的线性相关性 (r=0.44,p<0.001).
结论:
- 成功开发了一种具有跨任务能力的特定任务EEG参与估计模型.
- 这些发现表明,对于需要实时认知状态监测的现实世界应用程序,这是一个可行的框架.
- 脑电图中的theta和alpha频段功率变化与参与水平相关,提供神经相关性.
