QuadTPat:使用EEG信号进行压力检测的基于四重过渡模式的可解释特征工程模型.
Veysel Yusuf Cambay1, Irem Tasci2, Gulay Tasci3
1Department of Digital Forensics Engineering, Technology Faculty, Firat University, Elazig, Turkey.
Scientific reports
|November 8, 2024
概括
一个使用定向叶区 (DLob) 的新型可解释特征工程 (XFE) 模型有效地识别了来自电脑电图 (EEG) 信号的压力. 这种方法在大数据集中对压力与控制状态进行分类时可以达到高准确度.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 脑电图 (EEG) 是一种成本效益高的方法来收集大脑数据.
- 脑电图信号处理对于神经科学和机器学习 (ML) 是至关重要的.
- 从EEG自动压力检测是一个新兴的研究领域.
研究的目的:
- 引入一个新的EEG压力数据集.
- 为自动应力检测提出一个可解释的特征工程 (XFE) 模型.
- 运用有针对性的Lobish (DLob) 符号语言来获得可解释的结果.
主要方法:
- 从310名参与者 (压力和控制类) 收集了新的EEG压力数据集.
- 开发了一个XFE模型,涉及道转换,QuadTPat特征生成,CWNCA特征选择,可解释性的DLob和tkNN分类.
- 为可解释的应力检测结果生成了DLob字符串.
主要成果:
- 在XFE模型实现了92.95%的准确性与10倍的交叉验证.
- 离开一个主体的交叉验证 (LOSO) 获得了73.63%的准确性.
- 基于QuadTPat的XFE模型在EEG信号分类方面表现出强的表现.
结论:
- 提出的基于QuadTPat的XFE模型对于EEG信号分类是有效的.
- 与DLob集成的XFE模型为可解释的人工智能 (XAI) 提供了有价值的工具.
- 这项研究有助于利用可解释的ML技术推进自动化压力检测.
