在Android设备上使用自然环境机器学习进行眼睛状态预测 脑电图应用程序

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 移动健康服务提供者

背景情况:

• 脑电图 (EEG) 信号对于在医学和认知上理解大脑活动至关重要.
• 对于EEG分析的深度学习模型需要大量的数据和计算资源,这限制了它们在现实世界中的应用.
• 需要在资源有限的设备上部署高效的EEG分析方法.

研究的目的:

• 开发一个轻量级的机器学习管道用于安卓设备上的EEG分类.
• 使用TensorFlow Lite优化对有限数据场景的EEG分类.
• 通过对眼睛状态分类的案例研究来证明管道的有效性.

主要方法:

• 使用TensorFlow Lite开发了一个机器学习管道,用于Android部署.
• 收集了十名参与者的EEG数据,使用CameraEEG应用程序对眼睛状态进行分类 (眼睛打开与眼睛关闭).
• 应用文物去除 (嵌入式ASR) 和功率光谱特征提取,然后训练单通道支向量机 (SVM) 模型.

主要成果:

• 该SVM模型在分类眼睛状态方面实现了90%的准确性.
• 该模型在各种评估指标中显示出强度.
• 安卓应用程序在智能手机 (谷歌Pixel 7 Pro,三星S22) 上成功执行了EEG分类.

结论:

• 开发的轻量级管道允许在移动设备上进行高效的EEG分类,即使数据有限.
• 这种方法可以在自然环境中进行生理测量.
• 潜在的应用包括认知工作量监测,发作检测和心理健康评估.