使用CogRepLKNet与EEG-fMRI探索认知工作负载识别

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 生物医学工程 生物医学工程

背景情况:

• 认知工作负载识别 (CWR) 在整合EEG和fMRI等多式联络数据方面面临挑战.
• 生理信号的异质性使CWR的统一特征提取变得复杂.

研究的目的:

• 开发一种新的深度学习模型,用于准确的多式联络CWR.
• 解决模拟跨模式关系和从EEG和fMRI数据中提取特征的局限性.

主要方法:

• 提出了CogRepLKNet,一个通用的可重新参数化的大核卷积神经网络 (CNN).
• 采用了具有大和小内核CNN和自适应性封闭注意力融合的并行感知分支.
• 利用输入投影来跨越生理信号进行通用特征提取.

主要成果:

• 在自建的EEG-fMRI数据集上,CogRepLKNet实现了最先进的性能.
• 与变压器相比,证明了高效的功能集成,减少了计算复杂性和更少的训练样本.
• 展示了低训练复杂性和模型的易于移植性.

结论:

• CogRepLKNet有效地模拟了用于增强CWR的跨模式动态.
• 该模型为多式联机CWR应用提供了一个有前途的解决方案.
• 开发的方法促进了先进的脑计算机接口和认知监控.