基于相锁值功能连接矩阵和CNN-LSTM的视觉诱导运动疾病的分类
Zhenqian Shen1, Xingru Liu1, Wenqiang Li1
1School of Electronic and Information Engineering, Tiangong University, Tianjin 300387, China.
Sensors (Basel, Switzerland)
|June 27, 2024
概括
我们使用脑电图 (EEG) 开发了一种新型模型来检测虚拟现实运动性疾病. 这种先进的系统在识别运动恶性状态时达到很高的准确性,提供了一个有前途的诊断工具.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 虚拟现实 (VR) 环境可以诱导视觉诱导的运动病 (VIMS).
- 传统的机器学习方法与VIMS检测的非线性数据特征作斗争.
- 准确检测VIMS对于增强VR用户体验和安全至关重要.
研究的目的:
- 开发和验证一个强大的分类模型来检测VIMS.
- 从脑电图 (EEG) 数据中利用功能连接模式.
- 在分析复杂,非线性生理信号方面克服传统算法的局限性.
主要方法:
- 收集了25名参与者在VR中体验VIMS的EEG数据.
- 在六个频段内构建的相锁值 (PLV) 功能连接矩阵.
- 使用卷积神经网络-长期短期记忆 (CNN-LSTM) 架构进行分类.
主要成果:
- VIMS显著改变了EEG同步模式,特别是在额叶和叶.
- 该CNN-LSTM模型实现了高分类准确性,优于其他方法.
- 对于二进制的最大平均准确率达到了99.56%,对于三进制的分类达到86.94%,在玛波段.
结论:
- 开发的CNN-LSTM模型使用基于EEG的功能连接有效地检测VIMS.
- 与传统方法相比,该模型显示了更高的分类效率和稳定性.
- 这种方法在VR中为客观诊断运动病提供了有价值的工具.
更多相关视频
08:57Measuring the Influence of Magnetic Vestibular Stimulation on Nystagmus, Self-Motion Perception, and Cognitive Performance in a 7T MRT
Published on: March 3, 2023
1.9K
08:50How to Study Placebo Responses in Motion Sickness with a Rotation Chair Paradigm in Healthy Participants
Published on: December 14, 2014
9.3K
