CubicPat:使用EEG信号对心理表现和压力检测的调查
Ugur Ince1, Yunus Talu1, Aleyna Duz1
1Department of Digital Forensics Engineering, Technology Faculty, Firat University, Elazig 23119, Turkey.
Diagnostics (Basel, Switzerland)
|February 13, 2025
概括
研究人员使用脑电图 (EEG) 信号开发了一种新的可解释特征工程 (XFE) 架构. 该模型在检测压力和精神表现方面达到95%以上的准确性,提供可解释的结果.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 了解大脑功能及其与心理状态 (如压力和表现) 的关系是一个重大的研究挑战.
- 脑电图 (EEG) 信号提供了一个对大脑活动的非侵入性窗口.
- 现有的方法往往缺乏解释性,阻碍了临床应用.
研究的目的:
- 为分析EEG信号引入一种新的可解释特征工程 (XFE) 架构.
- 为了实现压力和精神表现状态的准确分类.
- 为了更好地理解大脑活动,生成可解释的结果.
主要方法:
- 开发了一种新的XFE模型,其中包含立方图案 (CubicPat) 功能提取功能.
- 使用累积加权代邻域组件分析 (CWINCA) 进行特征选择.
- 使用基于t算法的k-最近邻近 (tkNN) 分类器进行分类.
- 使用CWINCA和定向游说 (DLob) 生成可解释的结果.
主要成果:
- 基于CubicPat的XFE模型实现了高分类准确度,超过95%的10倍交叉验证 (CV) 和75%的离开一个主体 (LOSO) CV.
- 该模型在两个不同的EEG数据集上表现出强的性能,用于压力和精神表现检测.
- 成功生成了可解释的结果,与分类结果相关联.
结论:
- 拟议的XFE架构有效地将分类准确性与基于EEG的精神状态分析的可解释性相结合.
- CubicPat的特征提取和DLob的可解释性为大脑信号研究提供了一个有前途的方法.
- 这项工作有助于解决大脑功能的复杂性,提供了对压力和精神表现的可解释的见解.
