使用SVM和EEG信号检测自由移动的想法
Sairamya Nanjappan Jothiraj1, Caitlin Mills2, Zachary C Irving3
1Department of Psychology and Hotchkiss Brain Institute, University of Calgary, Calgary, AB T2N1N4, Canada.
Journal of neural engineering
|March 6, 2025
概括
研究人员开发了一种机器学习模型,使用脑电图 (EEG) 和行为数据来检测自由移动的思想. 这种方法对实时预测充满希望,有助于创造性思维和情绪提升.
科学领域:
- 认知神经科学 认知神经科学
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 自由移动的思想,以无目的的主题转移为特征,对创造力和情绪有潜在的好处.
- 客观地检测自由移动的思想对于利用其积极影响至关重要.
- 以前的研究还没有利用神经或行为数据的机器学习来识别这种认知状态.
研究的目的:
- 开发和评估用于检测自由移动的思想的机器学习模型.
- 调查电脑电图 (EEG) 和行为数据对于此检测任务的有用性.
- 探索学科间和学科内部分类策略.
主要方法:
- 使用的脑电图 (EEG) 信号,包括事件相关的潜力 (ERP) 和光谱特征 (P3 ERP,α光谱测量).
- 从EEG数据中集成的统计和特征作为支持矢量机器 (SVM) 的输入.
- 结合选定的EEG特征与行为测量,以提高分类性能.
主要成果:
- 性能最好的跨学科模型实现了0.3105的马修相关系数 (MCC) 和0.6665.5的曲线下面积 (AUC).
- 表现最好的人体内模型的MCC值为0.2815,AUC值为0.6407.
- 这两种模型都表现出了高于机会的分类性能.
结论:
- 机器学习方法显示显著的承诺,用于检测自由移动的思想使用EEG和行为数据.
- 开发的模型提供了实时预测自由移动思想的潜力.
- 这项技术有助于增强创作过程和情绪调节.
