使用控制相位的双通道自适应特征从大脑EEG信号中检测压力
Naren J1, Mathiarasi Balakrishnan1
1Department of Computer Science and Engineering, Hindustan Institute of Technology and Science, Padur, Chennai, Tamil Nadu, India.
Computers in biology and medicine
|December 30, 2025
概括
这项研究引入了一种使用电脑电图 (EEG) 信号的新型压力分类系统. 该方法通过使用专门的1D-CNN模型分析适应性EEG特征来确定压力水平,从而达到高精度.
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:
- 压力分类对于心理健康监测至关重要.
- 脑电图 (EEG) 信号提供了一个对大脑活动的非侵入性窗口.
- 现有的方法经常与EEG数据的复杂性作斗争.
研究的目的:
- 利用EEG信号开发一个精确的应力分类系统.
- 为压力检测引入新的双通道自适应功能.
- 为增强功能分析提出专门的1D-CNN架构.
主要方法:
- 从EEG信号对中提取相控双通道适应特征.
- 使用最小平均平方自适应选方法来导出特征.
- 训练具有双激活 (正/负) 和双聚合 (最大/最小) 的1D-CNN模型,用于应力分类.
- 使用SAM-40数据集进行验证.
主要成果:
- 拟议的系统实现了高性能指标:95.78%的准确性,94.57%的回忆率和93.72%的精度.
- 双重激活和双重聚合1D-CNN有效地保留了正面和负面特征.
- 双通道适应特性在应力分类中表现出显著的实用性.
结论:
- 开发的压力分类系统显示了高效率.
- 新型特征提取和1D-CNN架构有助于改进来自EEG的应力检测.
- 这种方法对心理健康和压力管理的现实应用具有前景.
