从单一试验的EEG数据中评估感知到的紧迫性,这些数据是由使用深度学习的上肢振动反引起的

科学领域:

• 人与计算机的交互
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 有效的通知系统对于人机交互至关重要,特别是在高风险的应用中.
• 触觉反,特别是振动,为传达紧急情况提供了一个有希望的方法.
• 传统的紧急评估方法是主观的,不是实时的.

研究的目的:

• 开发一种新的深度学习模型,用于使用单次试验EEG数据进行实时紧急评估.
• 为了评估振动刺激引起的感知紧迫性.
• 识别与紧迫程度相关的大脑区域和神经模式.

主要方法:

• 收集了对振动刺激的EEG反应的新数据集 (紧急通过振动).
• 开发了一种混合深度学习模型,将2D CNN和TCN结合起来,用于EEG特征提取.
• 为了模型评估,采用了离开一个主体的交叉验证.

主要成果:

• 拟议的模型在三个紧急级别 (不紧急,紧急,非常紧急) 中实现了83%的平均分类准确度.
• 可解释性分析确定前额叶和中部大脑区域是最有影响力的.
• 泰达频段 (4-7 Hz) 中与事件相关的同步增加与更高的紧迫性相关.

结论:

• 深度学习模型可以有效地从单次试验EEG数据中评估感知到的紧迫性.
• 触觉反引起的紧迫性可以通过神经信号客观地测量.
• 这些发现表明,在关键系统中,实时,非侵入性紧急监控的潜力很大.