基于多尺度CNN特征相关性的虚拟现实运动病的EEG分类模型
Chengcheng Hua1, Jianlong Tao1, Zhanfeng Zhou1
1School of Automation, C-IMER, CICAEET, Nanjing University of Information Science & Technology, Nanjing 210044, China.
Computer methods and programs in biomedicine
|May 10, 2024
概括
一个新的卷积神经网络 (CNN) 模型使用脑电图 (EEG) 数据准确检测虚拟现实运动病 (VRMS). 这种先进的方法实现了高精度,为更安全的虚拟现实体验铺平了道路.
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
- 生物医学工程 生物医学工程
背景情况:
- 虚拟现实运动疾病 (VRMS) 对虚拟现实 (VR) 技术的广泛采用构成了重大挑战.
- 准确检测VRMS对于开发有效的对策和改善用户体验至关重要.
研究的目的:
- 提出一种新的卷积神经网络 (CNN) 模型,用于使用电脑电图 (EEG) 数据检测VRMS.
- 为了利用EEG信号中的多尺度特征相关性,提高VRMS检测.
主要方法:
- 利用多尺度的1D卷积层从多导电脑脑电图数据中提取时间特征.
- 通过特征相邻矩阵将时间域特征转换为基于关联的脑网络特征.
- 融合了多尺度的相关性特征,并使用了频道注意模块进行分类.
主要成果:
- 拟议的CNN模型实现了高性能指标:98.66%的准确性,98.65%的精度,98.68%的回忆和98.66%的F1得分.
- 与现有的经典和先进的EEG识别模型相比,其表现优越.
- 通过从体验虚拟过山车场景的受试者收集的静止状态EEG数据来验证模型.
结论:
- 开发的CNN模型有效地使用静止状态EEG识别VRMS.
- 这些发现表明该模型在现实世界VR应用中具有潜力,可以缓解运动恶心.
