使用尖端神经网络和卷积尖端神经网络推进基于EEG的压力检测

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 电脑电图 (EEG) 信号分析对于神经学诊断和脑计算机接口 (BCI) 是至关重要的.
• 传统的分析方法难以捕捉复杂的时间EEG动态.
• 尖端神经网络 (SNN) 提供了更高效的神经数据处理的潜力.

研究的目的:

• 调查卷积尖端神经网络 (CSNNs) 对于增强EEG信号分类的有效性.
• 将CSNN的性能与传统的深度学习和机器学习技术进行比较.
• 评估CSNN在EEG分析中提高时间精度和能源效率的潜力.

主要方法:

• 使用离散波段转换 (DWT) 来从EEG信号中提取特征.
• 卷积尖端神经网络 (CSNNs) 的实施和评估.
• 在PhysionetEEG数据集上的CSNN性能与使用十倍交叉验证的传统方法进行比较.

主要成果:

• 通过十倍的交叉验证,CSNNs实现了98.75%的分类准确性.
• 获得了98.60%的F1得分,超过了之前的基准.
• 与传统方法相比,CSNN在EEG信号分类方面表现优越.

结论:

• CSNN代表了EEG信号分类的强大而有效的方法.
• 拟议的CSNN方法在准确性和F1得分方面提供了显著的改进.
• CSNN是先进EEG分析的有希望的解决方案,提供更高的时间精度和能源效率.