在多种模式中使用EEG和深度学习来评估触觉体验:将刺激与自我报告联系起来

科学领域:

• 神经科学是一个神经科学.
• 人与计算机的交互
• 机器学习 机器学习

背景情况:

• 传统的触觉界面评估使用主观自我报告,限制客观性和实时适应性.
• 认知触觉接口利用神经生理学措施,如脑电图 (EEG) 和深度学习进行客观评估.
• 一个关键的挑战在于标记神经反应:使用物理刺激 (PS) 参数或自我报告 (SR) 感知.

研究的目的:

• 系统地调查基于PS和SR的标签对基于EEG的触觉反深度学习模型性能的影响.
• 通过四种触觉反方式,比较PS和SR标签方案的有效性.
• 确定标签如何影响模型稳定性和对触觉刺激的神经反应解码的准确性.

主要方法:

• 训练有素的深度学习模型 (ATCNet,EEG Inception,EEG Conformer) 使用由PS参数和SR感知标记的EEG数据.
• 评估了四种触觉模式的模型性能:延迟力反 (DFF),指尖振动反 (FVF),上肢振动反 (UVF) 和指尖热反 (FTF).
• 采用集团级别的离开一个主体 (LOSO) 交叉验证策略来评估模型的通用性.

主要成果:

• 与SR标记型模型相比,在所有测试模式中,使用PS标签训练的模型始终表现出更稳定和更高的性能.
• 标记PS的模型的性能增长在接近感知值的刺激水平时最明显,其中SR标签表现出更大的个体间变化.
• 基于EEG的模型比主观报告更接近物理刺激参数,特别是在模两可的感知条件下.

结论:

• 与自我报告 (SR) 标签相比,物理刺激 (PS) 标签为训练认知触觉接口中的深度学习模型提供了更强大,更客观的方法.
• 经过PS训练的解码器作为触觉反系统的有效基础表示,可适应用户特定的SR数据.
• 这项研究支持使用基于PS的模型来开发更可靠和更适应的触觉接口,特别是在具有挑战性的感知模式中.