SET Net Hybrydowy framework deep learning dla klasyfikacji relaksacji uwagi opartej na EEG w aplikacjach interfejsu mózg-komputer

Ravichander Janapati; Balajee Maram; Sheik Saidhbi; Usha Desai; Padmalaya Nayak

doi:10.3791/70700

Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł badawczy

SET Net Hybrydowy framework deep learning dla klasyfikacji relaksacji uwagi opartej na EEG w aplikacjach interfejsu mózg-komputer

195 wyświetleń

⸱

DOI:

10.3791/70700

⸱

29 maja 2026

Ravichander Janapati¹ , Balajee Maram¹ , Sheik Saidhbi² , Usha Desai³ , Padmalaya Nayak⁴

¹Department of Computer Science Engineering, SR University, ²Department of Computer Science Engineering, Samara University, ³Department of Electronics and Communication Engineering, S.E.A College of Engineering and Technology, ⁴Department of Computer Science Engineering, Gokaraju Lailavathi Engineering College

W tym artykule

Podsumowanie

W niniejszym artykule przedstawiono sieć transformatorów squeeze-and-excitation (SET-Net), która jest hybrydową siecią CNN-Transformer, rozpoznającą stany uwagi i relaksacji za pomocą cech spektrogramu do identyfikacji stanów uwagi i relaksacji opartej na EEG z dokładnością 93,7% i wysoką uogólnieniem do zastosowań interfejsu mózg-komputer (BCI).

Streszczenie

Technologia interfejsu mózg-komputer (BCI) jest wykorzystywana jako narzędzie do zapewnienia bezpośredniego kanału komunikacji między ludzkim mózgiem a środowiskiem zewnętrznym. Ma zastosowanie w systemach wspomagających i interaktywnych. Nieinwazyjne pozyskiwanie aktywności nerwowej za pomocą elektroencefalografii (EEG) jest standardem w systemach BCI. Jednak trudno jest skutecznie sklasyfikować stany poznawcze, w tym uwagę i relaksację, ponieważ sygnał EEG jest niestacjonarny i głośny. Aby przezwyciężyć te niedociągnięcia, badanie proponuje nową hybrydową architekturę głębokiego uczenia, mianowicie sieć transformatorową squeeze-and-excitation (SE) (SET-Net). W tej metodzie sygnały EEG są wstępnie przetwarzane i dzielone na okna czasowe w celu analizy istotnych reprezentacji spektrogramów. Proponowany model osiąga dokładność klasyfikacji na poziomie 93,7%, z wynikiem F1 0,93 i ROC-AUC 0,98. To pokazuje skuteczność hybrydowego modelu głębokiego uczenia w rozszerzonej dyskryminacji stanu uwagi i relaksacji opartej na EEG. Oferuje to skalowalny system dla aplikacji BCI w czasie rzeczywistym jako technologię wspomagającą interakcję człowiek-komputer.

Wprowadzenie

Interfejsy mózg–komputer (BCI) stały się przełomową technologią, która pozwala ludzkiemu mózgowi i zewnętrznym urządzeniom komunikować się bezpośrednio bez użycia tradycyjnych połączeń nerwowo-mięśniowych. Elektroencefalografia (EEG) jest najczęściej spotykaną i powszechnie stosowaną techniką ze względu na nieinwazyjny charakter, przenośność oraz opłacalność¹. BCI oparte na EEG były wykorzystywane zarówno w opiece zdrowotnej, jak również w neurorehabilitacji, graniu gier i technologiach wspomagających dla osób z niepełnosprawnościami neurologicznymi, poprzez badanie aktywności mózgu². Jednym z najważniejszych zastosowań ....