使用EEG与眼动辅助注释的集中状态识别

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 认知科学 认知科学

背景情况:

• 机器学习的进步可以通过EEG和眼睛运动对大脑活动进行复杂的分析.
• 深度学习模型通过学习EEG和眼睛运动特征来有效地分类大脑活动.
• 区分聚焦与不聚焦的认知状态至关重要,可以从眼睛运动变化中推断出来.

研究的目的:

• 通过整合EEG特征和眼睛运动数据,为集中认知状态提出一个注释方法.
• 开发一个全面的数据集,用于集中状态分析.
• 评估深度学习模型,特别是转换器在分类焦点状态中的有效性.

主要方法:

• 从眼睛运动信号计算的双筒聚焦点差异.
• 集成了相关的脑电图 (EEG) 功能.
• 开发了一个带有EEG特征和眼动注释的聚焦标签的数据集.
• 训练并测试深度学习模型,包括变压器架构.

主要成果:

• 使用变压器模型在依赖对象的实验中获得了90.16%的准确性.
• 通过跨主题实验证明了通用性.
• 确定了关键频段和大脑区域,为研究结果提供了生理学解释.

结论:

• 拟议的方法有效地使用EEG和眼睛运动信号来注释焦点认知状态.
• 深度学习模型,特别是变压器,对于分类认知状态非常有效.
• 这种方法提供了一种有效和可通用的方法来理解大脑活动和认知状态.