具有多尺度通道注意力的残余自我校准网络,用于准确的基于EOG的眼动分类

科学领域:

• 生物医学工程 生物医学工程
• 计算机科学 计算机科学
• 人与计算机的交互

背景情况:

• 基于电视图的人机交互 (EOG-HCI) 正在在辅助机器人技术和增强现实等领域获得吸引力.
• 精确的眼动分类 (EMC) 对EOG-HCI至关重要,但由于提取歧视性特征的局限性而受到阻碍.

研究的目的:

• 提出一个高效的深度学习模型,以加强基于EOG的EMC的功能提取和性能改进.
• 建立一个新的基于EOG的EMC的最新基准.

主要方法:

• 开发一个具有多尺度通道注意力的残余自我校准网络 (RSCA).
• 使用在层次的残余框架内自校准的卷积块用于多尺度特征提取.
• 整合一个多尺度道注意模块以适应重量特征和聚合多尺度上下文.

主要成果:

• 在五个公共数据集中,RSCA网络在七种主流方法中显示出显著的性能改进.
• 废弃研究证实了RSCA架构中的单个模块的有效性.
• RSCA网络为基于 EOG 的 EMC 建立了一个新的最先进的基准.

结论:

• 拟议的RSCA网络有效地解决了基于EOG的EMC中歧视性特征提取的挑战.
• 这些发现为设计用于EOG-HCI应用的先进深度学习模型提供了宝贵的见解.
• RSCA显著提高了EOG-HCI技术的准确性和潜力.