单模和多模深度学习EEG和EDA对建筑噪声的反应:性能和废弃分析
Md Samdani Azad1, Sungchan Lee2, Minji Choi1
1Department of Architectural Engineering, Inha University, Incheon 22212, Republic of Korea.
Sensors (Basel, Switzerland)
|November 13, 2025
概括
这项研究使用电脑学图 (EEG) 和电皮活动 (EDA) 传感器的深度学习来分析对建筑噪声的生理反应. 脑电图模型在检测烦方面表现出卓越的表现,突出了其在职业压力监测方面的潜力.
科学领域:
- 职业健康 职业健康 职业健康
- 生物医学工程 生物医学工程
- 神经科学是一个神经科学.
背景情况:
- 建筑噪音是一个重要的职业压力因素,影响健康和认知功能.
- 包括神经活动和自主激发在内的生理反应是压力的关键指标.
- 电脑图 (EEG) 和电皮活动 (EDA) 传感器提供了对这些反应的客观测量.
研究的目的:
- 通过深度学习研究人类对建筑噪声的生理反应.
- 评估电脑图 (EEG) 和电皮活动 (EDA) 传感器在检测噪音引起的烦方面的有效性.
- 探索深度学习模型的应用,特别是卷积神经网络 (CNN) 和长短期记忆网络 (LSTM),用于分析多式联络传感器数据.
主要方法:
- 25名参与者接触到不同强度 (40,60,80dB) 的建筑噪音 (冲动和音调).
- 在噪音暴露期间同时记录EEG和EDA信号.
- 应用CNN用于EEG数据和LSTM用于EDA数据,随后进行决策层面的融合.
主要成果:
- 基于EEG的深度学习模型在识别噪音烦方面表现优于基于EDA的模型.
- 在决策层面,EEG和EDA数据的融合提高了模型的稳定性和可靠性.
- 除研究确定了最佳的超参数,包括特定的窗口大小和批量配置,以实现稳定的模型概括.
结论:
- 深度学习有效地捕捉到建筑噪音的多式联络生理反应.
- EEG是检测噪音烦的主要方式,并由EDA补充.
- 优化的超参数选择和模式特定的设计对于可靠的烦检测系统至关重要.
