从EEG预测固定和凝视位置
Yoelvis Moreno-Alcayde1, V Javier Traver2, Luis A Leiva3
1Institute of New Imaging Technologies, Universitat Jaume I, Av. Vicent Sos Baynat, s/n, 12071, Castellón, Spain.
Medical & biological engineering & computing
|May 8, 2025
概括
研究人员使用脑电图 (EEG) 深度学习模型探索预测眼神凝视. 一种基于变压器的方法显示出有前途,性能优于LSTM,提供了无需额外设备的先进眼球追踪的洞察力.
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:
- 眼睛跟踪对于理解认知过程至关重要.
- 传统的眼球追踪需要专门的设备.
- 从脑电图 (EEG) 估计眼睛的凝视提供了一个非侵入性的替代方案.
研究的目的:
- 通过使用EEG数据的深度学习模型来研究预测眼睛凝视和估计固定的可行性.
- 探索空间和时间数据维度,局部与全球处理以及建筑设计对模型性能的影响.
- 将拟议的基于变压器和LSTM的架构与在减少数据约束的情况下使用最先进的方法进行比较.
主要方法:
- 开发和比较两个深度学习架构:基于变压器的和基于LSTM的.
- 使用EEG信号对固定预测和目光估计任务的模型的评估.
- 在缩短的EEG信号长度和频道数下测试模型的稳定性.
主要成果:
- 基于变压器的模型表现优于只有LSTM的模型.
- 这两种模型在从头开始训练时,都取得了与最先进的方法相当或比最先进的方法更好的结果.
- 变压器模型对信号长度和通道缩短的灵敏度更高.
结论:
- 深度学习模型,特别是变压器,可以有效地从EEG数据中预测眼睛的凝视.
- 建筑设计的选择显著影响性能,特别是在数据限制下.
- 这项研究提升了非侵入性,无设备眼睛跟踪解决方案的潜力.
