对实验范式和深度神经网络进行系统审查,以基于脑电图的认知工作负载检测为基础
Vishnu K N1, Cota Navin Gupta1
1Neural Engineering Lab, Department of Biosciences and Bioengineering, Indian Institute of Technology Guwahati, Assam 781039, India.
Progress in biomedical engineering (Bristol, England)
|December 10, 2024
概括
本综述探讨了从电脑电图 (EEG) 信号中估计认知工作负载 (CWL) 的深度神经网络. 结果突出了有效的CWL诱导范式和成功的深度学习检测,尽管信号变化,建议未来研究可解释模型.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 人与计算机的交互
背景情况:
- 认知工作负载 (CWL) 估计对于理解人类表现和优化界面至关重要.
- 电脑电图 (EEG) 可以直接测量大脑活动,因此非常适合用于CWL评估.
- 深度神经网络 (DNN) 显示出分析复杂EEG数据的前景.
研究的目的:
- 系统地审查基于深度神经网络的方法,以使用EEG信号来估计认知工作负载.
- 确定用于诱导CWL的常见实验范式,并分析DNN的数据结构/输入配方.
- 评估当前DNN方法在从EEG检测CWL中的有效性和局限性.
主要方法:
- 对使用DNN用于从EEG估计CWL的研究的系统文献综述.
- 对用于CWL诱导和其参数的表征的实验范式的分析.
- 检查CWL检测中使用的数据结构,输入配方和DNN架构.
主要成果:
- 几种实验范式可靠地诱导分级CWL或持续的认知状态.
- DNN有效地检测出不同的CWL水平,克服了主体间和会话间的EEG变化.
- 许多研究利用EEG数据作为二维矩阵,绕过传统的特征选择,并经常将DNN视为黑盒子.
结论:
- 可解释的DNN在很大程度上仍未被探索,以揭示CWL的EEG相关性.
- 对于时间依赖性敏感的网络和适当的输入配方是强有力的CWL分类的建议.
- 建议转移学习和跨学科数据聚合以提高概括性和实现学科独立的分类器.
