基于fNIRS的双分支深度学习模型,用于评估3D视觉疲劳
Yan Wu1,2,3, TianQi Mu1, SongNan Qu1
1School of Computer Science and Technology, Changchun University of Science and Technology, Changchun, China.
Frontiers in neuroscience
|June 20, 2025
概括
使用功能近红外光谱 (fNIRS) 的新型深度学习模型可以自动检测3D视觉疲劳. 这种先进的方法通过准确评估疲劳水平来改善立体3D技术的用户体验.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 人与计算机的交互
背景情况:
- 扩展的3D内容观看会导致视觉疲劳,影响用户体验和立体3D技术的性能.
- 功能近红外光谱学 (fNIRS) 通过测量大脑血液动力学反应来评估3D视觉疲劳.
- 传统的fNIRS方法需要手动的特征提取,这限制了它们的效率和有效性.
研究的目的:
- 开发一种新的深度学习框架,用于使用fNIRS数据进行自动化的3D视觉疲劳评估.
- 克服手动特征提取在传统的fNIRS-based疲劳评估中的局限性.
- 通过精确的疲劳检测来增强用户体验和优化立体3D技术.
主要方法:
- 一个基于fNIRS的实验范式被设计用于从20个受试者那里收集舒适和疲劳条件下的数据.
- 采用双分支卷积网络,从时间序列fNIRS数据中提取时间和空间特征.
- 集成了变压器模块和通道注意力机制,以增强远程依赖提取和自适应特征加权.
主要成果:
- 拟议的深度学习模型实现了高分类准确性:93.12%在科目内和84.65%在科目之间.
- 与传统的机器学习和现有的深度学习方法相比,该模型表现出优异的性能.
- 成功实现了自动端到端的特征提取和分类,消除了手动干预的需要.
结论:
- 通过使用fNIRS成功构建了一个新的深度学习框架,用于使用fNIRS进行自动3D视觉疲劳评估.
- 集成的变压器和通道注意力机制显著改善了该模型的特征提取能力.
- 该框架为增强立体3D应用程序的用户体验和推进疲劳评估研究提供了有价值的工具.
