选择性听觉注意力检测使用组合变压器和卷积图神经网络
Masoud Geravanchizadeh1, Amir Shaygan Asl1, Sebelan Danishvar2
1Faculty of Electrical & Computer Engineering, University of Tabriz, Tabriz 51666-15813, Iran.
Bioengineering (Basel, Switzerland)
|January 8, 2025
概括
一种新的TraGCNN方法可以有效地检测电脑电图 (EEG) 的听觉注意力,而无需语音刺激. 这种方法实现了80.12%的准确性,优于现有方法,为BCI应用程序提供更快的计算.
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:
- 听觉注意力是专注于复杂环境中的特定声音的关键认知功能.
- 目前通过电脑电图 (EEG) 检测听觉注意力的现有方法通常依赖于手动特征提取或需要语音刺激.
- 开发用于听觉注意力检测的自动化和高效方法对于推进脑计算机接口 (BCI) 和听觉技术至关重要.
研究的目的:
- 提出和评估一种新的端到端方法,即组合变压器和图形卷积神经网络 (TraGCNN),用于从EEG检测听觉注意力.
- 消除在听觉注意力检测中需要手动特征提取的需要.
- 与现有方法相比,评估TraGCNN模型的性能和计算效率.
主要方法:
- EEG信号被转换成图形表示.
- 从图形表示中提取空间和时间特征,使用变压器和图形卷积层.
- 在Fuglsang 2020数据集上训练和测试了TraGCNN模型.
主要成果:
- 通过TraGCNN的方法实现了80.12%的分类准确度,超过了最先进的方法.
- 该模型在不同的EEG段长度上表现出优异的性能,与之前的基于图形的模型相比.
- 听觉注意力检测在不需要语音刺激的情况下实现,这与传统方法相比是一个显著的优势.
结论:
- 拟议的TraGCNN方法提供了一种有效,自动化和高效的方法来检测EEG信号的听觉注意力.
- 该模型在没有语音刺激的情况下运行的能力及其计算效率对现实世界的应用有重大影响.
- 这项研究为改进的BCI系统,语音分离技术和神经引导式助听器开发铺平了道路.
