基于EEG和fNIRS信号融合的电动汽车运动病的大脑网络分析模型

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
• 运输技术 运输技术 运输技术

背景情况:

• 运动性疾病是电动汽车中普遍存在的问题,减少了乘客的体验.
• 目前评估运动病的方法缺乏客观的实时测量能力.

研究的目的:

• 开发和验证一个功能性大脑网络分析模型,用于检测运动病.
• 整合脑电图 (EEG) 和功能近红外光谱 (fNIRS) 进行增强的运动病检测.

主要方法:

• 在现实世界电动汽车测试中从32名参与者收集了EEG和fNIRS数据.
• 分析了Delta,Theta,Alpha和Beta频段中的EEG信号.
• 从fNIRS计算大脑氧化变化,并构建功能大脑网络模型.
• 开发了一个图形卷积网络 (GCN) 模型,以集成多式联络神经成像数据.

主要成果:

• 在运动病和非运动病状态之间观察到大脑功能连接的显著差异.
• 综合的EEG-fNIRS模型表现出优异的性能,与单一模式的方法相比.
• 组合模型比单独的EEG提高了F1得分11.4%,比单独的fNIRS提高了8.2%.

结论:

• 将EEG和fNIRS信号与GCN集成,提供了一种强大的运动恶性检测方法.
• 这种多式联络方法显著提高了检测准确度,而不是单个方法.
• 开发的模型显示出在减轻电动汽车运动病的实际应用方面有很大的潜力.