使用图形投影和变压器的可变长度EEG信号的警戒分类

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 认知科学 认知科学

背景情况:

• 在高风险行业中,保持情境意识至关重要,但目前的警分类方法往往过于简单.
• 现有的机器学习和深度学习模型与人类性能数据的动态性质作斗争,导致偏见和不准确性.
• 需要复杂的模型,能够进行多层次的警觉分类,并对可变大小的脑电图 (EEG) 信号进行可靠的处理.

研究的目的:

• 开发一种基于嵌入图的先进方法,用于多层次的警觉分类.
• 为了有效地管理变量大小的EEG信号,而不会引入数据偏差.
• 提高认知状态评估的准确性和细节性,以改善警监测.

主要方法:

• 为EEG信号提出了一种新的羽毛图嵌入 (FG-Z_i) 方法.
• 使用1D-CNN多头变压器框架进行警戒分类.
• 实施多层次分类以捕捉微妙的心理状态.

主要成果:

• 在EEG数据上使用FG-Z_i进行六类警觉分类,实现了最先进的性能.
• 在训练套件上获得了84.165%的准确度和83.734%的F1分数.
• 在测试套件上达到83.448%的准确性和86.256%的F1得分.

结论:

• 拟议的基于图形嵌入的框架为准确的实时警监控提供了一个有希望的解决方案.
• 这种方法提供了对认知状态的更细致的理解,有助于早期发现疲劳.
• 对临床和现实世界的应用有重大影响,包括神经监测和认知训练.