一个交叉注意力转换器网络用于基于EEG的独立对象认知负载评估
Zhongrui Li1, Rongkai Zhang1, Li Tong1
1Henan Key Laboratory of Imaging and Intelligent Processing, PLA Strategic Support Force Information Engineering University, Zhengzhou, China.
Cognitive neurodynamics
|December 23, 2024
概括
这项研究引入了一个新的网络,以准确评估来自不同个人的EEG信号的认知负载. 该模型有效地减少了个体差异,提高了人机交互安全性.
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:
- 电脑电图 (EEG) 信号对于评估人机交互中的认知负载至关重要.
- 脑电图信号的个体变异性挑战了对新受试者的预训练认知负载模型的应用.
- 现有的域名适应方法经常忽视伪标签噪音和域名迁移问题.
研究的目的:
- 为跨主体认知负载评估提出一个新的交叉注意力转换器网络.
- 为了实现无伪标签的域间特征对齐,减轻个体差异.
- 提高认知负载评估模型的稳定性和通用性.
主要方法:
- 提出了一个新的交叉注意力swin-transformer网络架构.
- 在交叉注意力机制中共享参数有助于跨域特征对齐.
- 最大平均差异 (MMD) 用于最小化域之间的特征分布差异.
- 该模型使用图像识别和N-back任务中的EEG数据进行了验证.
主要成果:
- 拟议的模型实现了优越的跨主题分类性能 (88.13%和81.27%在地方和公共数据集).
- 废除研究表明,交叉注意力和MMD单独改善了表现.
- 训练后观察到EEG特征分布差异在受试者之间显著减少.
结论:
- 这种新型的交叉注意力转换器网络有效地解决了基于EEG的认知负载评估中的跨主体变异性.
- 交叉注意力和MMD的整合提供了一个强大的方法来适应领域在这个领域.
- 这些发现有助于更可靠和安全的人机交互系统.
