在2D和3D虚拟现实中唤起的EEG的分类:传统的机器学习与深度学习对比
MingLiang Zuo1, BingBing Yu1, Li Sui1
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai, 200093, People's Republic of China.
Biomedical physics & engineering express
|October 22, 2024
概括
像EEGNet这样的深度学习模型在虚拟现实 (VR) 中对脑电图 (EEG) 信号进行分类时显著优于传统的机器学习. 这一进步增强了脑与计算机接口 (BCI) 中的3D VR应用.
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
- 人与计算机的交互
背景情况:
- 虚拟现实 (VR) 在2D和3D中提供沉浸式体验,以不同的方式影响大脑活动.
- 脑电图 (EEG) 研究显示,2D和3DVR的不同大脑形状.
- 关于专门为2D和3DVR环境对EEG信号进行分类的研究有限.
研究的目的:
- 为了比较传统机器学习和深度学习方法在2D和3DVR期间对EEG信号进行分类的有效性.
- 评估EEGNet的性能,一个深度学习模型,与传统方法相比.
主要方法:
- 在2D和3DVR视觉刺激呈现期间记录了56通道EEG数据.
- 应用传统的机器学习与特征提取 (PSD,CSP) 和分类器 (SVM,KNN,RF).
- 使用专用EEGNet卷积神经网络使用深度学习方法.
主要成果:
- 深度学习,特别是EEGNet,表现出比传统方法更优异的性能.
- EEGNet实现了高分类准确性,精度,回忆和F1分数,达到高达97.86%的准确性.
- 深度学习模型在所有评估指标上显著超过了传统的机器学习.
结论:
- 基于EEGNet的深度学习为2D和3DVR环境中的EEG信号分类提供了显著的进步.
- EEGNet的卓越性能表明它有可能在脑计算机接口 (BCI) 系统中改进3D VR集成.
- 这项研究强调了先进人工智能的潜力,用于增强基于VR的BCI应用程序.
