SET Net: Ein hybrides Deep-Learning-Framework für EEG-basierte Aufmerksamkeitsrelaxationsklassifikation in Gehirn-Computer-Schnittstellenanwendungen

Summary

Diese Arbeit stellt das Squeeze-and-Excitation Transformer Network (SET-Net) vor, ein hybrides CNN-Transformer-Netzwerk, das Aufmerksamkeits- und Relaxationszustände mithilfe von Spektrogrammmerkmalen erkennt, um EEG-basierte Aufmerksamkeits- und Relaxationszustände mit 93,7 % Genauigkeit und hoher Verallgemeinerung zu identifizieren, die in Brain Computer Interface (BCI)-Anwendungen verwendet werden.

Abstract

Die Brain Computer Interface (BCI)-Technologie wird als Werkzeug eingesetzt, um einen direkten Kommunikationskanal zwischen dem menschlichen Gehirn und der äußeren Umgebung bereitzustellen. Dies findet Anwendungen in unterstützenden und interaktiven Systemen. Die nicht-invasive Erfassung neuronaler Aktivität mittels Elektroenzephalographie (EEG) ist bei BCI-Systemen Standard. Es ist jedoch schwierig, kognitive Zustände, einschließlich Aufmerksamkeit und Entspannung, effektiv zu klassifizieren, da das EEG-Signal nicht stationär und rauschig ist. Um diese Mängel zu überwinden, schlägt diese Studie eine neue hybride Deep-Learning-Architektur vor, nämlich das Squeeze-and-Excitation (SE) Transformer Network (SET-Net). Bei dieser Methode werden EEG-Signale vorverarbeitet und in zeitliche Fenster unterteilt, um die signifikanten Spektrogramm-Darstellungen zu analysieren. Das vorgeschlagene Modell erreicht eine Klassifikationsgenauigkeit von 93,7 %, mit einem F1-Wert von 0,93 und einem ROC-AUC von 0,98. Dies demonstriert die Wirksamkeit des hybriden Deep-Learning-Modells mit verbesserter Unterscheidung des EEG-basierten Aufmerksamkeitsentspannungszustands. Dies bietet ein skalierbares System für Echtzeit-BCI-Anwendungen als unterstützende Technologie in der Mensch-Computer-Interaktion.

Introduction

Gehirn-Computer-Schnittstellen (BCIs) sind zu einer disruptiven Technologie geworden, die es dem menschlichen Gehirn und externen Geräten ermöglicht, direkt zu kommunizieren, ohne traditionelle neuromuskuläre Verbindungen zu verwenden. Die Elektroenzephalographie (EEG) ist die gebräuchlichste und am weitesten verbreitete Technik aufgrund ihrer nicht-invasiven Natur, Portabilität und^{Kosteneffizienz.} EEG-basierte BCIs wurden sowohl im Gesundheitswesen als auch in der Neurorehabilitation, im Gaming und in Hilfstechnologien für Menschen mit neurologischen Beeinträchtigungen eingesetzt, indem sie die Gehirnaktivität untersuchen². Eine der bedeutendsten Anwendungen ist die Identifikation kognitiver Zustände, einschließlich Aufmerksamkeit und Entspannung, die genutzt werden können, um adaptive Mensch-Computer-Schnittstellen und^{digitale Barrierefreiheit} zu schaffen. Ein niedriges Signal-Rausch-Verhältnis, große Intersubjektvariabilität und komplizierte zeitliche Dynamiken zwischen Aufmerksamkeits- und Relaxationszuständen, die mittels EEG interpretiert werden; daher ist es schwierig, Aufmerksamkeits- und Entspannungszustände mittels EEG zu klassifizieren⁴. Klassische Machine-Learning-Modelle, darunter Support Vector Machine (SVM) und Random Forest, haben eine moderate Leistung gezeigt; sie basieren jedoch typischerweise auf Merkmalstechnik, da sie die räumlich-spektral-temporale Komplexität von EEG⁵ nicht vollständig nutzen. Jüngste Entwicklungen im Bereich Deep Learning, insbesondere Convolutional Neural Network (CNN) und Transformator, haben neue Möglichkeiten für die automatisierte Merkmalsextraktion und eine starke Klassifikation von EEG-Signalen⁶ eröffnet.

EEG-basierte BCI-Systeme werden seit langem umfassend als Werkzeug zur Überwachung kognitiver Zustände, Neurorehabilitation und interaktiven Systemen untersucht. Die Definition eines psychischen Zustands ist eine der wichtigsten Herausforderungen, zum Beispiel Entspannungs- und Aufmerksamkeitszustände. Als Reaktion darauf haben Wissenschaftler eine Vielzahl von Lösungen demonstriert, wie Standard Feature Engineering und fortschrittliche Deep-Learning-Modelle. Klassische Machine-Learning-Ansätze basieren hauptsächlich auf manuell entwickelten Funktionen im Zeit-, Frequenz- oder Zeit-Frequenz-Raum. Forschung zu hybriden Deep-Learning-Algorithmen als Teil des SET-Net-Systems der EEG-basierten Aufmerksamkeits-Entspannungsklassifikation wurde als wichtige wissenschaftliche Richtung erwiesen, da sie BCI-Systeme verbessern könnte, die in realen Umgebungen eingesetzt werden können^7,8. Deep-Learning-Modelle, darunter konvolutionelle neuronale Netze (CNNs), rekurrente neuronale Netze (RNNs) und Transformer, haben in den letzten zehn Jahren bedeutende Fortschritte bei der EEG-Signaldecodierung erzielt^9,10. Diese Entwicklungen haben zu einer verbesserten und effizienteren Entschlüsselung kognitiver Zustände geführt, die für kognitive Zustände in der Neurorehabilitation und unterstützenden Technologien wünschenswert sind^11,12. Die wachsende Beliebtheit von BCI-Systemen unterstreicht die angewandte Bedeutung der Verbesserung der Genauigkeit der Klassifikation, und aktuelle Ergebnisse haben gezeigt, dass die Klassifikation bei motorischen Bild- und Aufmerksamkeitsaktivitäten mehr als 85 % ausmachen kann^13,14. Dennoch bestehen trotz solcher Entwicklungen weiterhin Herausforderungen, starke Echtzeitklassifikationen in vielfältigen und verrauteten Umgebungen zu erreichen.^15,16. Das zentrale Problem, das in dieser Studie behandelt wird, ist die Präzision und externe Validität von EEG-basierten Modellen der Aufmerksamkeits-Entspannungsklassifikation, insbesondere von Modellen, die hybrides Deep Learning in der SET-Net-Architektur betreffen.^17,18, sind begrenzt. Die bestehenden Methoden stehen meist im Zusammenhang mit Problemen wie intersubjektische Variabilität, geringem Signalrauschen und schlechter Ausnutzung raumzeitlicher Eigenschaften^19,20,21. Es gibt Methoden, die auf die Extraktion von Faltungsmerkmalen ausgerichtet sind, andere sind auf Aufmerksamkeits- oder Transformatorarchitektur ausgerichtet, was zu unterschiedlichen Meinungen über das beste Modelldesign führt^22,23,24. Außerdem sind EEG-Modelle aufgrund der Verfügbarkeit großer annotierter Datensätze nicht einfach zu trainieren und zu rechtfertigen, da große annotierte Datensätze nicht verfügbar sind^25,26. Dieser Mangel an Wissen schränkt den Einsatz von BCIs unter realen Bedingungen ein, was besonders wichtig ist, um flexibel und präzise zu sein ^27,28. Dies wird theoretisch auf einer Mischung aus räumlicher, zeitlicher und aufmerksamkeitsbasierter Merkmalextraktion mit hybriden Deep-Learning-Modellen begründet^29,30,31. Diese Kombination zeigt sich im SET-Net-Framework, das durch Faltungsschichten erreicht wird, um lokale Merkmale und Selbstaufmerksamkeitsmechanismen zu extrahieren, um globale Abhängigkeiten zu erlernen.³². Diese Synergie verbessert die Darstellung von EEG-Signalen und kann zur besseren Klassifizierung der Relaxations- und Aufmerksamkeitszustände angewendet werden. Die Theorie basiert auf der Tatsache, dass die Variabilität von EEG-Signalen und -Rauschen durch die Stärke multiskaliger raum-zeitlicher Eigenschaften und Domänenanpassungstechniken eliminiert werden kann³³. Die systematische Übersichtsarbeit konzentriert sich darauf, den theoretischen Fortschritt der Genauigkeit und praktischen Anwendung hybrider Deep-Learning-Methoden der SET-Net-Architektur der EEG-basierten Aufmerksamkeits-Entspannungsklassifikation kritisch zu überprüfen³⁴. Die Übersicht wird genutzt, um die Entwicklung eines besseren, interpretativeren und verallgemeinerbaren BCI-Systems in zukünftigen Experimenten durch die Synthese der neuesten Entwicklungen und die Identifikation der Stärken und Grenzen der Methoden zu leiten. Solche Lücken werden die zukünftige Entwicklung realer BCI-Anwendungen unterstützen, die den Nutzer und die Zuverlässigkeit des Systems verbessern. Die Übersichtsstudie wandte einen breiten Literaturübersichtsansatz an, bei dem peer-reviewte Artikel basierend auf hybriden Deep-Learning-Modellen in der EEG-Aufmerksamkeits-Entspannungs-Klassifikation ausgearbeitet wurden³⁴. Die Einschlusskriterien konzentrieren sich auf aktuelle Trends in konvolutionellen, rekurrenten und aufmerksamkeitsbasierten Architekturen im Rahmen von SET-Net oder ähnlichen Systemen³⁵. Analytische Modelle bewerten Modelldesigns, Merkmalsauswahlalgorithmen, Klassifikationsgenauigkeit und Praktikabilität in einem realen Umfeld. Die Ergebnisse sind so organisiert, dass sie Theoriebildung, Praxis und zukünftige Forschungsmöglichkeiten erklären.

Trotz jüngster Fortschritte gelingt es bestehenden Methoden nicht, räumliche, spektrale und langreichweitige zeitliche Abhängigkeiten in einkanaligen EEG-Signalen gleichzeitig zu erfassen, was zu einer suboptimalen Leistung bei der Aufmerksamkeits-Entspannungsklassifikation führt. Darüber hinaus basieren bestehende Methoden auf manuell hinzugefügten Eigenschaften oder berücksichtigen nur wenige Merkmale von EEG-Signalen; daher können sie nicht auf Teilnehmer und Echtzeitbedingungen verallgemeinert werden. Daher besteht der Bedarf an einem einheitlichen Rahmenwerk, das multidimensionale EEG-Merkmale ausreichend modellieren kann und in Echtzeit stark und erforschbar ist.

Um diese Nachteile zu überwinden, schlägt diese Studie eine Forschungsarbeit vor, ein hybrides Deep-Learning-Modell vorzustellen, das als Squeeze-and-Excitation Transformer Network (SET-Net) bezeichnet wird. Insbesondere lernt das CNN-Modul lokale räumlich-spektrale Muster mit EEG-Spektrogrammen und überwindet die Einschränkungen handgefertigter Merkmalsextraktion. Der SE-Block verbessert die Merkmalsrepräsentation, indem er die kanalweise Bedeutung anpasst und die Robustheit von Rauschen und Variabilität erhöht. Transformatorencoder modelliert zeitliche Abhängigkeiten mit langer Reichweite, die nicht auf CNN-Only-Modelle beschränkt sind. Darüber hinaus kann eine Zeit-Frequenz-Analyse effektiv mittels spektrogrammbasierter Darstellung durchgeführt werden, was das Erlernen diskriminierender Merkmale verbessert. Um eine stabile Leistung zu gewährleisten, wurden ausgewogenes Training und verlustfreie Validierung eingeführt, was die Verallgemeinerung der Leistung über die Probanden hinweg verbesserte.

Darüber hinaus wird die vorgeschlagene Struktur in einer Echtzeitanwendung bestätigt, bei der die kategorisierten kognitiven Zustände in Steuerbefehle interaktiver Systeme umgewandelt werden. Dies zeigt, dass das Modell praktisch in unterstützenden Technologien und digitaler Barrierefreiheit anwendbar ist und potenziell in der praktischen Implementierung von BCI eingesetzt werden könnte.

Die Haupterrungenschaft dieser Studie ist das Design einer neuen SET-Net-Hybridarchitektur, die konvolutionelle neuronale Netze, Squeeze-and-Excitation Attention und Transformatorencoder integriert, um EEG-Signale besser zu modellieren. Darüber hinaus wurde eine spektrogrammbasierte Darstellung verwendet, um die Zeit-Frequenz-Eigenschaften der EEG-Signale erfolgreich darzustellen. Der vorgeschlagene Rahmen ermöglicht eine starke Klassifikation von kognitiven Zuständen bei Aufmerksamkeit und Entspannung. Darüber hinaus wurde gezeigt, dass das Modell in einer Echtzeit-Gehirn-zu-Computer-Schnittstelle praktisch anwendbar ist.

Dieses Papier ist in Abschnitte gegliedert, in denen eine Übersicht über Studien durchgeführt wird, die die Aufmerksamkeits- und Entspannungsklassen der Gehirnaktivität in Bezug auf BCI-Systeme kategorisieren. Dieses Papier ist darauf ausgelegt, zunächst die Forschungslücken und Herausforderungen im Zusammenhang mit der Entwicklung von BCI-Systemen darzustellen und anschließend den Datenerfassungsprozess und die Methodik der EEG-Signalaufzeichnung darzustellen. Vorverarbeitung und Merkmalsdarstellung. Es behandelt die Bedeutung von Aufmerksamkeits- und Entspannungsaktivitäten sowie den Prozess, bedeutungsvolle Merkmale aus EEG-Daten abzuleiten. Die Ergebnisse werden anschließend präsentiert und mittels quantitativer und vergleichender Analysen sowie der tatsächlichen Leistung der Anwendung bewertet. Der letzte Teil behandelt die Ergebnisse, die Einschränkungen der Studie und zukünftige Arbeitsrichtungen.

Protocol

Die Studie wurde gemäß der Erklärung von Helsinki durchgeführt und vom Institutional Ethics Committee der SR University in Warangal, Telangana, Indien (Genehmigungsnr. 007/2026) genehmigt. Die informierte Zustimmung wurde schriftlich von allen Teilnehmern vor der Datenerhebung eingeholt.

Teilnehmerauswahl

EEG-Daten wurden von 11 gesunden Teilnehmern (Altersgruppe: 25–45 Jahre; Durchschnittsalter: 28 Jahre) erhoben, die keine Vorgeschichte neurologischer oder psychiatrischer Störungen hatten. In dieser Studie wurden insgesamt 1175 EEG-Segmente betrachtet, davon 527 zur Relaxationsklasse und 648 zur Aufmerksamkeitsklasse. Teilnehmer, deren EEG-Aufnahmen übermäßige Bewegungsartefakte oder schlechte Signalqualität aufwiesen, wurden ausgeschlossen.

EEG-Aufnahme-Setup

Das allgemeine Layout des vorgeschlagenen EEG-basierten Gehirn-Computer-Schnittstellensystems ist in Abbildung 1 dargestellt, das die gesamte Pipeline der Signalerfassung, Klassifikation und Echtzeitnutzung zeigt. Die EEG-Daten wurden mit einem kleinen Biopotentialaufnahmemodul aufgezeichnet, das mit einem mikrocontrollerbasierten System verbunden war. Die Gelelektroden wurden basierend auf dem International 10–20-System angebracht, nämlich den präfrontalen Punkten von Fp1 und Fp2, mit Referenz- und Masseelektroden an den Ohrläppchen, wie in Abbildung 2 gezeigt. Die Signale wurden mit einer Frequenz von 128 Hz digitalisiert und mit einem selbstgeschriebenen Python-Aufnahmeskript an einen Computer gesendet. Eine ausreichende Hautvorbehandlung und leitfähiges Gel wurden verwendet, um die Elektrodenimpedanz zu reduzieren und die Signalqualität zu verbessern.

Experimentelles Verfahren

EEG-Aufzeichnungen wurden unter zwei kognitiven Bedingungen durchgeführt: Entspannung und Aufmerksamkeit, nach einem standardisierten Protokoll. Im Entspannungszustand wurde der Teilnehmer in einer komfortablen, geräuscharmen Umgebung gesetzt und angewiesen, mit minimaler Bewegung stillzubleiben. Beruhigende instrumentale Audioaufnahmen wurden über Kopfhörer abgespielt, und die EEG-Aufnahme wurde mit dem Befehl Python collect.py gestartet. EEG-Signale wurden pro Sitzung für 5 Minuten aufgezeichnet und vier Sitzungen lang wiederholt. Im Aufmerksamkeitszustand wurde der Teilnehmer angewiesen, aufmerksamkeitsintensive Aufgaben wie interaktive Spiele auszuführen, während er das gleiche Erkundungssystem wie im Entspannungszustand beibehält. EEG-Signale wurden pro Sitzung für 5 Minuten aufgezeichnet und vier Sitzungen lang wiederholt. Jeder Teilnehmer nahm insgesamt 40 Minuten teil, bestehend aus 20 Minuten Entspannung und 20 Minuten Aufmerksamkeitsaufgaben, was einen zuverlässigen Vergleich kognitiver Zustände ermöglichte.

Der verarbeitete Datensatz wurde in beschriftete Segmente wie folgt organisiert: Relaxation (0); Achtung (1). Jedes Segment hatte eine Dauer von 4 Sekunden mit 50 % Überlappung und wurde als Spektrogramm mit einer kurzzeitigen Fourier-Transformation dargestellt.

Signalverarbeitung, Merkmalsdarstellung und Modellimplementierung

Die erhaltenen EEG-Signale wurden vorbearbeitet, um Rauschen und Artefakte zu eliminieren. Ein 50-Hz-Notchfilter wurde verwendet, um Powerline-Störungen zu entfernen, und ein Butterworth-Bandpassfilter 4. Ordnung im Signal zwischen 0,5 und 30 Hz wurde verwendet, um die entsprechenden EEG-Frequenzbänder auszuwählen. Die Amplitudenschwellwerte und die visuelle Inspektion wurden verwendet, um artefaktkontaminierte Segmente zu identifizieren, und etwa 8–12 % der Daten wurden gelöscht. Gaußsche Rauschaddition, Zeitmaskierung und Frequenzmaskierung sind Datenerweiterungsmethoden zur Verbesserung der Modellrobustheit. EEG-Signale wurden gefiltert und dann in 4-Sekunden-Fenster aufgeteilt, die um 50 Prozent getrennt waren.

Die einzelnen EEG-Segmente wurden in eine Zeit-Frequenz-Darstellung (Short-Time-Fourier-Transformation) umgewandelt, wie in Gleichung (1) gezeigt, um die Extraktion zeitlicher und spektraler Eigenschaften zu ermöglichen.

(1)

Die resultierenden Spektrogramme wurden normalisiert und auf feste Dimensionen angepasst, um als Eingaben für das Klassifikationsmodell zu dienen. Um überlappungsbedingte Datenleckage zu vermeiden, wurde der Datensatz in Training (70 %), Validierung (10 %) und Test-Teilmengen (20 %) vor der Segmentierung unterteilt, wie in Abbildung 3 dargestellt. Zusätzlich wurde eine Leave-One-Subject-Out (LOSO)-Kreuzvalidierung durchgeführt, um die Inter-Subject-Generalisierung zu bewerten, bei der Daten eines Subjekts für Tests verwendet wurden, während die übrigen Daten für das Training verwendet wurden.

Die vorgeschlagene SET-Net-Architektur, wie in Abbildung 4 dargestellt, wurde entwickelt, um multidimensionale EEG-Merkmale zu erfassen. Das Modell integriert ein Convolutional Neural Network (CNN)-Backbone, um räumlich-spektrale Darstellungen zu extrahieren, gefolgt von einem Squeeze-and-Excitation-(SE)-Block, der die kanalweise Merkmalsbedeutung adaptiv neu kalibriert, wie in Gleichung (2) beschrieben. Das CNN-Backbone besteht aus zwei Faltungsschichten mit einer Kerngröße von 3 × 3, gefolgt von Batch-Normalisierung und exponentieller linearer Einheit (ELU)-Aktivierung

(2)

Die interne Struktur des SE-Blocks ist in Abbildung 5 dargestellt. Um langfristige zeitliche Abhängigkeiten zu erfassen, wurde ein Transformatorencoder integriert, dessen Aufmerksamkeitsmechanismus in Gleichung (3) definiert und in Abbildung 6 dargestellt ist.

(3)

Eine adaptive Average-Pooling-Schicht wurde verwendet, um die Merkmalskarten auf eine feste Größe von 16 × 16 zu reduzieren. Das Reduktionsverhältnis des SE-Blocks beträgt 8, was zur Neukalibrierung der kanalweisen Feature-Antworten verwendet wird. Der Transformatorencoder bestand aus vier Schichten mit vier Aufmerksamkeitsköpfen, einer Vorwärtsmaßgröße von 256 und einer Modelleinbettungsgröße von 128.

Die endgültige Klassifikation wurde mit vollständig verbundenen Schichten mit Dropout-Regularisierung und einer Softmax-Aktivierungsfunktion durchgeführt, um zwischen Aufmerksamkeits- und Relaxationszuständen zu unterscheiden. Die detaillierte schichtweise Architektur des vorgeschlagenen Modells wird in Tabelle 1 dargestellt.

Das Modell wurde mit dem AdamW-Optimierer trainiert, mit einer anfänglichen Lernrate von 0,001 und einem Gewichtsabfall von 1×10⁻⁴. Ein Cosinus-Annealing-Scheduler wurde verwendet, um die Konvergenz zu verbessern, und 50 Epochen wurden mit einer Chargengröße von 32 trainiert. Das Klassenungleichgewicht wurde mit einer gewichteten Kreuzentropieverlustfunktion, wie in Gleichung (4) beschrieben, überwunden.

(4)

Tabelle 2 fasst die Trainingskonfiguration zusammen, und Tabelle 3 präsentiert die Hyperparametersuche des vorgeschlagenen SET-Net, die in der EEG-basierten Aufmerksamkeitsrelaxationsklassifikation verwendet wurde. Die ausgewählten Parameter sorgen für Stabilität des Trainings, eine verbesserte Verallgemeinerung und Toleranz gegenüber Veränderungen der EEG-Signale. Die gewählten Parameter sorgen für Stabilität im Trainingsprozess, verbessern die Generalisierung und widerstehen Veränderungen des EEG-Signals. Genauigkeit, Präzision, Rückruf, F1-Wert und ROC-AUC wurden zur Messung der Modellleistung verwendet. Alle Pipelines, die Vorverarbeitung, Modelltraining und Bewertung umfassen, wurden in Python mit dem PyTorch-Framework geschrieben, um die Reproduzierbarkeit sicherzustellen. Tabelle 4 bietet eine detaillierte Beschreibung der Fehlersuche, um Probleme im Zusammenhang mit EEG-Aufnahme, Vorverarbeitung, Modelltraining und Echtzeitnutzung zu steuern und zu lösen. Tabelle 5 bietet einen Überblick über die Materialien des EEG-Geräts, um einen einfachen Rahmen für die Durchführung von Experimenten und den experimentellen Aufbau zu ermöglichen. Python 3.8 mit dem PyTorch Deep-Learning-Framework wurde zur Implementierung des vorgeschlagenen SET-Net-Frameworks verwendet. Standardwissenschaftliche Rechenbibliotheken wurden für die Signalvorverarbeitung und Feature-Extraktion mit NumPy, SciPy und Matplotlib verwendet. Jedes experimentelle Verfahren wurde auf einem System mit Intel-i7-Prozessor und 16 GB RAM durchgeführt, um das Training der Modelle zu beschleunigen.

DATENVERFÜGBARKEIT:

Der anonymisierte EEG-Datensatz, der während dieser Studie erstellt und analysiert wurde, ist im Zenodo-Repository unter folgendem Zugangslink öffentlich verfügbar: https://zenodo.org/records/19627795.

Alle Daten wurden de-identifiziert, um die Vertraulichkeit der Teilnehmer gemäß den institutionellen ethischen Richtlinien des institutionellen Ethikausschusses der SR University (Genehmigungsnr. 007/2026) zu gewährleisten.

Die verarbeiteten Informationen, Modelleinstellungen und Implementierungsdetails, die zur Nachbildung der Ergebnisse benötigt werden, werden im Manuskript präsentiert, und der Quellcode ist öffentlich verfügbar unter: https://github.com/Ravichanderj/SET-Net-EEG-BCI.

Results

Spektrogrammbasierte Merkmalsdarstellung

Das Hauptziel dieser Studie war es, die Zustände der Aufmerksamkeit und Entspannung mit Hilfe von EEG-Signalen korrekt zu klassifizieren. Die Umwandlung von rohen EEG-Signalen in Spektrogramme hat es ermöglicht, diskriminierende Merkmale effektiv zu extrahieren. Die Spektrogramme zeigen eine Erhöhung der Alphabandaktivität (8–13 Hz) während der Entspannung und eine Erhöhung der Beta-Aktivität (14–25 Hz)...

Discussion

Die aktuelle Forschung schlägt ein hybrides Deep-Learning-Modell namens SET-Net für die EEG-basierte Aufmerksamkeitsentspannungsklassifikation vor. Um die räumlichen, spektralen und zeitlichen Eigenschaften von EEG-Signalen zu erlernen, kombiniert die Architektur konvolutionale neuronale Netze, Squeeze-and-Excitation Attention und Transformatorencoder, wie in Abbildung 5 dargestellt. Die Ergebnisse deuten darauf hin, dass die vorgeschlagene Methode das Ziel ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Computer / Laptop	Generika	Jedes Standardsystem	≥ 8 GB RAM wird empfohlen
Datenerfassungsskript	Gepflogenheit	collect.py	Python-basiertes Akquisitionsskript
Einweg-Gelelektroden	Generika	Vorgelierte Ag/AgCl-Elektroden	Einwegkleber
EEG-Aufnahmemodul	Upside Down Labs	BioAmp EXG-Pille	Analoges Frontend für Biopotentialsignale
Elektrodengel (falls wiederverwendbare Elektroden verwendet werden)	Generika	Leitende Gel	Verbessert die Signalleitung
Interaktive Anwendung (Spiel)	Generika	Jedes einfache Spiel (z. B. Rennen)	Tastaturgesteuerte Schnittstelle
Überbrückendrähte	Generika	Male– Weibliche Stecker	Standard-Breadboard-Drähte
Matplotlib / Seaborn	Open Source	Neueste Versionen	Visualisierungsbibliotheken
Mikrocontroller-Platine	Arduino	Uno / Maker Uno	10-Bit-ADC, USB-Schnittstelle
Python-Programmierumgebung	Python Software Foundation	Python ≥ 3.8	Open-Source-Programmiersprache
PyTorch-Bibliothek	Meta-KI	Version ≥ 1.12	Deep-Learning-Framework
Scikit-learn	Open Source	Neueste stabile Version	ML-Utilitys
Signalverarbeitungsbibliotheken	SciPy	Neueste Version	Filterung, STFT
USB-Kabel	Generika	USB Typ-A zu B	Datenübertragungskabel