基于EEG的听觉注意力检测与深度神经网络的交叉验证方案的影响

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 听觉注意力解码 (AAD) 对于理解大脑对听觉刺激的反应至关重要.
• 深度神经网络显示出解码大脑信号的潜力.
• 有效的交叉验证对于可靠的脑电脑接口性能评估至关重要.

研究的目的:

• 评估基于大脑信号的听觉注意力解码 (AAD) 的各种交叉验证策略.
• 评估试验特定信息在培训和概括能力期间的影响.
• 引入和测试因果时间序列分割以模拟在线解码场景.

主要方法:

• 使用了三个公开的脑电图 (EEG) 数据集.
• 应用深度神经网络用于AAD.
• 比较标准的交叉验证分割与一个新的因果时间序列分割模拟在线解码.

主要成果:

• 在使用因果时间序列分割的听觉注意力分类中观察到一致的性能增长.
• 独立于试验的分裂表明了适应不同情景的适应性.
• 这些发现强调了AAD评估方法的重要性.

结论:

• 因果时间序列的分割增强了基于深度学习的AAD的性能.
• 结果支持开发实际的,与人相关的AAD系统.
• 多样化的评估方法是可泛化的神经反和用于听力障碍的辅助技术的关键.