循环和卷积神经网络用于导向图像和心理工作负载检测的EEG信号的分类

科学领域:

• 神经科学是一个神经科学.
• 计算精神病学是一种计算精神病学.
• 生物医学工程 生物医学工程

背景情况:

• 指导图像 (GI) 是一种治疗技术,在全球范围内用于各种疾病,包括心理健康和瘤学.
• 在胃肠道治疗期间对深度放松状态的客观估计可以显著帮助从业者.
• 目前的方法缺乏精确的,自动化的方法来确定深度放松的开始.

研究的目的:

• 通过使用脑电图 (EEG) 来研究引导图像放松和心理任务状态之间的区别的可行性.
• 评估深度学习模型的有效性,包括循环神经网络,用于分类这些独特的大脑状态.
• 为了比较使用减少的一组认知电极的分类性能与完全密集的阵列.

主要方法:

• 一组26名学生在GI放松和心理任务工作负载期间进行了EEG记录.
• 使用深度学习模型,特别是EEGNet,基于长短记忆 (LSTM) 的分类器,1D卷积神经网络 (CNN) 和混合CNN-LSTM模型.
• 在两个数据集上进行了分类:一个使用26个认知电极,另一个使用256个通道.

主要成果:

• 深度学习模型成功地区分了胃肠道放松和心理任务状态.
• 仅使用26个认知电极的分类准确性与使用全部256通道信号相比.
• 将输入扩展到256个频道并没有显著改善分类性能,这表明效率增长是可能的.

结论:

• 没有必要使用所有256个EEG通道来有效地分类GI放松状态.
• 深度学习模型,特别是当应用于认知电极的数据时,提供了一种可行的和有效的方法来检测放松.
• 这些发现支持开发自动化工具,以帮助治疗师在GI治疗期间监测患者的放松水平.