DeepAttNet:深度神经网络,结合了交叉注意力机制,用于在被动脑电脑接口中独立于主体的精神压力检测,使用双耳EEG
Wooseok Hyung1, Minsu Kim2, Yesung Kim1
1Department of Artificial Intelligence, Hanyang University, Seoul, Republic of Korea.
Frontiers in human neuroscience
|November 19, 2025
概括
这项研究引入了一种新的休息对休息方法和DeepAttNet深度学习模型,用于使用电脑电图 (EEG) 准确,独立于主体的心理压力检测. 这在实验室环境之外推进了被动大脑计算机接口应用.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 基于脑电图 (EEG) 的心理压力检测对工作场所的安全和心理健康有价值.
- 之前的被动大脑-计算机接口 (BCI) 研究受到任务参与混的限制.
- 一个紧的,谨慎的双耳EEG设置适合于现实世界的应用.
研究的目的:
- 引入一种新的休息与休息模式,以将心理压力与任务相关影响隔离.
- 开发一个独立于主题的深度学习分类器,以提高心理压力检测.
- 与传统的深度学习模型相比,评估拟议方法的性能.
主要方法:
- 32名成年人参与了一项使用休息与休息模式的实验.
- 提出了一个新的深度学习模型,DeepAttNet,利用交叉注意力和点向时间压缩.
- 通过对EEGNet和ShallowConvNet等既有模型进行八次主体级交叉验证来评估性能.
主要成果:
- 与传统模型相比,DeepAttNet实现了更高的准确性和宏观F1得分.
- 废弃研究证实了交叉注意力和点向压缩模块的重要性.
- 可解释性分析揭示了与压力相关的神经动态,包括耳对耳不对称.
结论:
- 休息与休息的范式和DeepAttNet使得强大的,独立于主体的心理压力检测.
- 该方法仅使用双通道EEG记录来实现高精度.
- 这种方法为持续的压力监测和推进被动BCI应用提供了一个实际的解决方案.
