SET Net — гибридная фреймворк глубокого обучения для классификации расслабления внимания на основе ЭЭГ в приложениях интерфейса мозга и компьютера

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

doi:10.3791/70700

Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Исследовательская статья

SET Net — гибридная фреймворк глубокого обучения для классификации расслабления внимания на основе ЭЭГ в приложениях интерфейса мозга и компьютера

161 просмотров

⸱

DOI:

10.3791/70700

⸱

29 мая 2026 г.

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

В этой статье

Краткое содержание

В этой статье представлена сеть трансформаторов сжатия и возбуждения (SET-Net) — гибридная сеть CNN-трансформатор, которая распознаёт состояния внимания и релаксации с помощью спектрограмм для выявления состояний внимания и релаксации на основе ЭЭГ с точностью 93,7% и высокой обобщённостью для использования в приложениях интерфейса мозга и компьютера (BCI).

Аннотация

Технология интерфейса мозга и компьютера (BCI) используется как инструмент для обеспечения прямого канала связи между человеческим мозгом и внешней средой. Это применимо как в вспомогательных, так и в интерактивных системах. Неинвазивное получение нейронной активности с помощью электроэнцефалографии (ЭЭГ) является стандартом для систем БЦИ. Однако эффективно классифицировать когнитивные состояния, включая внимание и расслабление, сложно, поскольку сигнал ЭЭГ нестационарен и шумит. Для преодоления этих недостатков в исследовании предлагается новая гибридная архитектура глубокого обучения, а именно сеть трансформаторов с использованием сжатия и возбуждения (SE) (SET-Net). В этом методе сигналы ЭЭГ предварительно обрабатываются и делятся на временные окна для анализа значимых представлений спектрограмм. Предлагаемая модель достигает точности классификации 93,7%, при этом оценка F1 составляет 0,93, а ROC-AUC — 0,98. Это демонстрирует эффективность гибридной модели глубокого обучения с усиленной дискриминацией состояния внимания-релаксации на основе ЭЭГ. Это обеспечивает масштабируемую систему для приложений BCI в реальном времени как вспомогательные технологии в взаимодействии человека и компьютера.

Введение

Интерфейсы мозг–компьютер (BCI) стали революционной технологией, позволяющей человеческому мозгу и внешним устройствам общаться напрямую без использования традиционных нейромышечных связей. Электроэнцефалография (ЭЭГ) является наиболее распространённым и широко используемым методом благодаря неинвазивному характеру, портативности и экономической эффективности¹. БКИ на основе ЭЭГ применяются в здравоохранении, а также в нейрореабилитации, играх и вспомогательных технологиях для людей с неврологическими нарушениями путём изучения активности^{мозга 2}. Одним из самых значимых применений являет....