机器学习算法的评估,用于对视觉刺激诱导的EEG信号在2D和3DVR视频中的分类

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
• 虚拟现实 虚拟现实 虚拟现实

背景情况:

• 虚拟现实 (VR) 技术提供了多样化的应用,用户体验在2D和3D环境之间差异很大.
• 电脑电图 (EEG) 对于评估对VR刺激的神经反应至关重要,但区分2D和3DVREEG信号需要进一步探索.
• 现有的研究往往依赖于功率光谱密度 (PSD) 特性,使其他EEG参数和机器学习分类的潜力未得到充分探索.

研究的目的:

• 为了研究2D和3D虚拟现实 (VR) 环境之间的脑电图 (EEG) 信号的神经差异.
• 评估常见空间模式 (CSP) 和功率光谱密度 (PSD) 特性在分类2D和3DVR的EEG信号中的有效性.
• 为了比较各种机器学习算法的性能,以区分基于VR维度的EEG信号.

主要方法:

• 从参与者接触到2D和3DVR视频刺激的记录了EEG信号.
• 从EEG数据中提取了频域 (PSD) 和空间域 (CSP) 的特征.
• 采用机器学习算法,包括SVM,KNN,随机森林,天真贝斯,决策树,AdaBoost,以及用于信号分类的投票分类器.

主要成果:

• 机器学习算法成功地分类了来自2D和3DVR环境的EEG信号.
• 与功率光谱密度 (PSD) 特征相比,共同空间模式 (CSP) 特征显示出更高的分类准确性.
• 随机森林获得了最高的准确性 (95.02%),其次是KNN (93.16%) 和SVM (91.39%),特别是在使用CSP功能时.

结论:

• 来自2D和3DVR体验的EEG信号可以有效地使用机器学习和提取的特征进行分类.
• 共同空间模式 (CSP) 在区分VR诱导的EEG信号差异方面比PSD更有效.
• 这些发现支持使用CSP功能和机器学习来分析VR相关的大脑活动,并推进基于EEG的研究.