基于不准确标记的EEG神经网络的弱监督图形卷积神经网络的3D视觉不适评估

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:

• 立体显示技术受到视觉不适的限制,需要准确的评估方法.
• 电脑电图 (EEG) 提供客观评估,但受到个人差异的阻碍,导致数据标记不准确.
• 当前的方法往往忽略了来自大脑视觉皮层区域的关键信息.

研究的目的:

• 开发一种强大的方法来评估立体视觉不适,克服个人差异和不准确标记数据的局限性.
• 通过最大限度地利用可用的,尽管不完美的数据来增强学习.
• 整合视觉皮层信息,以实现更有效的特征表示.

主要方法:

• 提出了一个弱监督的图形卷积神经网络用于视觉不适 (WSGCN-VD).
• 采用中心校正损失和渐进选择来处理不准确标记的数据.
• 引入了一个特征图模块,以捕获视觉皮层EEG信号的时空表示.

主要成果:

• WSGCN-VD模型在各种实验场景中证明了它的有效性.
• 提出的方法成功地减轻了不准确标记数据对评估准确性的影响.
• 功能图模块有效地整合了视觉皮层信息,以改善表示.

结论:

• WSGCN-VD为准确的立体视觉不适评估提供了一个有希望的方法.
• 弱监督学习在基于EEG的不适评估中有效处理噪音标签.
• 整合视觉皮层信息可以提高客观视觉不适评估的性能.