基于EEG的听觉注意力开关检测与多尺度门式注意力和基于多任务学习的层次空间时空网络

科学领域:

• 神经科学是一个神经科学.
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 听觉注意力开关检测 (AASD) 对自适应神经技术至关重要,但在EEG的低信号噪声比 (SNR) 方面面临挑战.
• 现有的方法在特征区分和高检测延迟方面扎,限制了它们的有效性.

研究的目的:

• 提出一种新的层次空间时空网络 (HSTN),用于从EEG信号中增强听觉注意力开关检测.
• 改进特征提取并减少复杂的听觉环境中的检测延迟.

主要方法:

• 开发了一个层次空间时空网络 (HSTN),利用一个空间时空编码器和多尺度的封闭注意力.
• 实施了多任务联合培训策略,以同步优化听觉注意力开关检测和解码.
• 提取的时空特征,整合短期和长期的依赖关系.

主要成果:

• 在听觉注意力开关检测 (F1=0.89,准确率88.6%) 和听觉注意力解码 (准确率89.3%) 中,HSTN显著优于基线模型.
• 与现有方法相比,证明了优越的模型参数效率和更短的推理时间.
• 废除研究证实了多任务学习,注意力关闭和多尺度卷曲的重要性.

结论:

• 拟议的HSTN为复杂场景中的基于EEG的听觉注意力开关检测提供了高效和有效的解决方案.
• 时空特征编码与多任务学习相结合,为智能助听器和听觉脑电脑接口提供了实用的框架.