混合CNN-变压器模型用于使用工作场所EEG数据准确分类人类注意力水平

科学领域:

• 认知神经科学 认知神经科学
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 精确检测人类注意力对于生产力和认知神经科学研究至关重要.
• 现有的脑电图 (EEG) 研究由于控制的实验室环境,往往缺乏现实世界的适用性.
• 在日常工作环境中需要可行和可扩展的注意力检测方法.

研究的目的:

• 开发和验证一种新的分类方法,用于识别六种不同的人类注意力水平.
• 通过使用现实世界,单通道EEG数据来评估多头注意力变压器模型的有效性.
• 为了弥合基于实验室的EEG研究和实际,现实世界的注意力监测应用之间的差距.

主要方法:

• 在员工日常工作活动中收集单通道EEG数据.
• 应用于初始EEG信号处理的短时间里埃变换 (STFT).
• 开发了一个具有自我注意的变压器架构和堆叠的编码器层,以建模EEG数据依赖性.

主要成果:

• 拟议的多头注意力转换器模型在分类六个注意力级别时实现了87.37%的准确性.
• 与传统的高性能方法和现有方法相比,该模型显示出更高的性能.
• 结果验证了变压器架构在基于EEG的注意力分类方面的潜力.

结论:

• 开发的基于变压器的方法为使用EEG的真实世界注意力检测提供了一个有希望的方法.
• 这一进步对开发实用的脑电脑接口 (BCI) 和认知监测工具具有重大意义.
• 该研究强调了在日常环境中使用商业EEG头带用于注意力分析的可行性和推广价值.