延迟的知识传输:从延迟的刺激到EEG的交叉模式的知识传输,用于基于尖端代表的EEG信号的持续注意力检测
Pengfei Sun1, Jorg De Winne1, Malu Zhang2
1WAVES Research Group, Department of Information Technology, Ghent University, Gent, Belgium.
概括
这项研究引入了一种用于解码大脑信号的新框架,使用视听刺激提高了大脑与计算机接口准确度3%,并考虑了神经反应延迟.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 解码电脑电图 (EEG) 信号用于机器与人之间的交互,在信号表示方面面临挑战.
- 现有的方法很难有效地模拟神经对刺激反应的固有延迟.
研究的目的:
- 引入一种新的延迟知识传输 (DKT) 框架,用于使用尖端神经元检测注意力.
- 通过有效地表示EEG信号来提高脑电脑接口 (BCI) 系统的性能.
- 介绍WithMeAttention多式联络数据集,用于研究区分目标和分心反应.
主要方法:
- 开发了一个延迟知识传输 (DKT) 框架,利用尖端神经元来检测注意力.
- 从视听刺激中提取模式,以模拟EEG信号中的大脑反应,并纳入响应延迟.
- 在共享嵌入空间中与EEG信号对齐的视听特征.
- 用了WithMeAttention数据集进行评估.
主要成果:
- 与基线模型相比,WithMeAttention数据集的准确性提高了3%.
- 证明了视觉信息的节奏增强优化了多感官处理.
- 在有节奏的目标呈现条件下,在有或没有听觉线索的情况下,确定了优异的性能.
- 证实延迟层有效模拟神经处理延迟.
结论:
- 通过有效模拟EEG信号和神经延迟,DKT框架显著提高了BCI性能.
- WithMeAttention数据集为多式联运BCI研究提供了宝贵的资源.
- 优化通过节奏呈现和计算神经延迟来处理感官信息是先进的人机交互的关键.
