混合EEG特征学习方法用于跨会话的人类精神注意力状态分类
Xu Chen1, Xingtong Bao1, Kailun Jitian1
1School of Computer Science and Technology, Hangzhou Dianzi University, Hangzhou 310018, China.
Brain sciences
|August 28, 2025
概括
这项研究引入了一种精确地从脑电图 (EEG) 信号中解码心理注意状态的新方法,改善了不同用户和会话之间的脑电脑接口 (BCI).
科学领域:
- 神经科学
- 信号处理
- 机器学习
背景情况:
- 从脑电图 (EEG) 解码心理注意状态对于认知监测和脑电脑接口 (BCI) 等应用至关重要.
- 现有的EEG方法难以跨会话和跨主题的变化,限制了它们的现实应用.
- 强大的注意力解码需要超越特定用户或录制会话的概括模型.
研究的目的:
- 开发一种混合特征学习框架,以对心理注意力状态 (集中,不集中,昏昏欲睡) 进行强有力的分类.
- 提高基于EEG的注意力解码在不同会议和个人的普遍性.
- 建立一个实用的,持续的心理状态监测系统的基础.
主要方法:
- 一个整合预处理,通道范围的光谱特征提取 (STFT) 和连接特征 (功能和结构) 的统一管道.
- 一个双阶段的特征选择,结合基于关联的过和随机森林排名,以减少相关性和维度.
- 支持矢量机 (SVM) 提供高效和可通用的最终分类.
主要成果:
- 在两个交叉会议和跨主体EEG数据集上实现了86.27%和94.01%的高分类准确性.
- 显著优于传统的基于EEG的注意力解码方法.
- 证明了将连接意识功能与光谱分析的有效性.
结论:
- 将连接意识功能与光谱分析集成显著提高了注意力解码模型的通用性.
- 拟议的混合框架为基于EEG的现实精神状态监测提供了一个有希望的方法.
- 这项工作为更强大,更适应的脑电脑接口铺平了道路.
