基于块-域适应的fNIRS数据工作负载预测
机器学习
2024-05-02 v1 人机交互
信号处理
摘要
功能近红外光谱(fNIRS)是一种非侵入性地测量皮层血流活动的方法。从fNIRS数据预测认知工作量的方法呈现出一套分散的方法。为了在实际应用场景中实现良好表现，模型需要能够在不同会话以及不同受试者之间表现良好。然而，大多数现有方法假设训练和测试数据来自同一受试者，或无法在从未见过的受试者上良好推广。fNIRS数据还带来了挑战，包括受试者间fNIRS数据高度变化以及来自不同会话不同块之间在受试者内数据的变化。为了解决这些问题，我们提出了一种有效方法，称为基于类的块感知域适应(CABA-DA)，该方法通过将同一受试者同一会话的不同块视为不同域来显式最小化会话内方差。我们相应地最小化类内域间差异，同时最大化类间域间差异。此外，我们提出了一种基于MLPMixer的模型用于认知负荷分类。实验结果表明，所提出的模型在三个公开可用的认知工作量数据集上比与三个不同的基线模型表现更好。其中两个数据集来自n-back任务，另一个来自手指敲击。通过我们的实验，我们还显示所提出的对比学习方法也能提高我们比较的基线模型的性能。
引用
@article{arxiv.2405.00213,
title = {Block-As-Domain Adaptation for Workload Prediction from fNIRS Data},
author = {Jiyang Wang and Ayse Altay and Senem Velipasalar},
journal= {arXiv preprint arXiv:2405.00213},
year = {2024}
}