基于DMPat的SOXFE:使用EEG信号对暴力检测的调查
Kubra Yildirim1, Tugce Keles1, Sengul Dogan1
1Department of Digital Forensics Engineering, Technology Faculty, Firat University, Elazig, Turkey.
Cognitive neurodynamics
|June 9, 2025
概括
本研究介绍了一种新的自组织可解释特征工程 (SOXFE) 方法,用于使用电脑电图 (EEG) 数据自动检测暴力. SOXFE模型实现了高精度,为机器学习,神经科学和社会保障做出了贡献.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信息安全 信息安全
背景情况:
- 自动暴力检测对于机器学习和信息安全至关重要.
- 在神经科学中使用电脑电图 (EEG) 数据调查暴力检测是一个关键的研究目标.
研究的目的:
- 开发和验证一种新的自组织可解释特征工程 (SOXFE) 方法,用于基于EEG的暴力检测.
- 创建一个新的EEG暴力检测数据集,包括"休息"和"暴力"类.
- 证明模型能够产生可解释的结果,并可视化与暴力相关的皮质连接体的能力.
主要方法:
- 收集了一个新的EEG数据集,包含两个类别:休息和暴力.
- 拟议的SOXFE方法涉及特征提取 (DMPat),特征选择 (INCA),可解释结果生成 (DLob),分类 (tkNN) 和信息融合.
- 用十倍交叉验证 (CV) 和留下一个记录 (LORO) CV 来评估分类性能.
主要成果:
- SOXFE模型实现了100%的分类准确度,CV为10倍,而LORO CV则达到98.49%.
- 产生了可解释的结果和与暴力相关的皮质连接组图.
- 该模型在自动暴力检测方面表现出有效性.
结论:
- 拟议的SOXFE方法是使用EEG数据自动检测暴力的高度准确和有效模型.
- 这项研究为特征工程,神经科学和社会保障应用做出了重大贡献.
- 这些发现强调了将机器学习与神经科学相结合的潜力,以加强安全措施.
