[一种基于单通道脑电图的新型精神疲劳检测方法,使用混合卷积神经网络与变压器相结合]
Hongyu Zhu1, Qingkai Zhen1, Qi Chen1
1China Institute of Sport Science, Beijing 100061, P. R. China.
概括
这项研究引入了一种新的混合CNN-变压器模型,用于准确检测精神疲劳. 该模型提供了一种有效和客观的方法来监测运动员的认知状态.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 运动科学 运动科学 运动科学
背景情况:
- 由认知任务引起的精神疲劳会对运动员的表现和安全产生负面影响.
- 目前对精神疲劳的评估方法往往是主观的或资源密集的.
- 需要有效和客观的工具来检测心理疲劳.
研究的目的:
- 开发和验证混合卷积神经网络 (CNN) - 变压器模型,以准确识别精神疲劳.
- 评估模型的性能与使用各种数据集的传统方法相比.
- 为潜在的设备开发确定参与精神疲劳检测的关键大脑区域.
主要方法:
- 提出了一个混合模型,将CNN用于特征提取和变压器用于依赖性建模.
- 该模型在SEED和SADT数据集上进行了训练和评估.
- 进行了道分析,以确定用于疲劳检测的重要大脑区域.
主要成果:
- 混合CNN-变压器模型实现了高精度 (78.07%在SEED上,85.42%在SADT上).
- 拟议的模型在精神疲劳识别方面表现优于传统方法.
- 尾部区域的信号被认为对疲劳检测至关重要,证明了跨主体的概括性.
结论:
- 开发的混合模型为精神疲劳检测提供了有效和客观的解决方案.
- 这些发现支持创造便携式设备的潜力,用于实时监测精神疲劳.
- 这项技术可以帮助运动员训练,性能优化和伤害预防.