一个基于EEG的混合压力状态分类模型,使用多域转移和PCANet
Yuefang Dong1,2, Lin Xu3, Jian Zheng1,2
1School of Biomedical Engineering (Suzhou), Division of Life Sciences and Medicine, University of Sciences and Technology of China, No.96, Jinzhai Road, Hefei 230026, China.
Brain sciences
|June 27, 2024
概括
这项研究引入了一种新的混合模型,用于使用脑电图 (EEG) 信号对压力状态进行分类,其准确度超过92%. 该系统自动检测压力水平,帮助心理健康管理.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 从脑电图 (EEG) 信号中精确检测压力对心理健康至关重要.
- 从复杂的EEG模式中提取情绪信息是一个重大挑战.
研究的目的:
- 开发一种自动化混合模型,使用EEG信号对压力状态进行分类.
- 通过可靠的压力识别来改善早期干预和心理健康管理.
主要方法:
- 使用独立组件分析 (ICA) 净化EEG信号.
- 通过分数里埃转换 (FrFT) 来表示EEG数据的多域表示.
- 使用双层2D-PCANet进行特征提取,并使用支持矢量机 (SVM) 进行分类.
主要成果:
- 拟议的混合模型在自收集的EEG数据集上实现了超过92%的平均准确性.
- 在各种任务诱导条件下证明了成功检测压力状态.
- 该模型有效地从复杂的EEG数据中提取与压力相关的特征.
结论:
- 混合的TrEn和2D-PCANet模型提供了一个强大的和准确的方法,用于自动化压力分类从EEG.
- 这种方法有望开发用于心理健康监测的实际工具.
- 进一步的研究可以探索更广泛的应用,并为各种人群改进模型.
