Brain2Vec：基于 CNN-LSTM-Attention 的 EEG 压力检测深度学习框架
信号处理
2025-06-16 v1 人工智能
人机交互
神经与进化计算
神经元与认知
摘要
心理压力已成为影响认知健康和整体福祉的普遍因素，亟需开发稳健、无创的诊断工具。脑电信号（EEG）为神经活动提供了直接窗口，但其非平稳和高维特性给建模带来了重大挑战。本文提出 Brain2Vec，一种新的深度学习工具，通过结合卷积、循环和注意力机制的混合架构从原始 EEG 记录中分类压力状态。该模型首先通过一系列卷积层捕获局部空间依赖，随后利用 LSTM 层对序列时间模式进行建模，最后通过注意力机制突出包含丰富信息的时间区域。我们在 DEAP 数据集上评估了 Brain2Vec，并应用带通滤波、z-score 归一化和 epoch 分割作为综合预处理流程的一部分。与传统的 CNN-LSTM 基线相比，我们提出的模型实现了 0.68 的 AUC 分数和 81.25% 的验证准确率。这些发现表明 Brain2Vec 具有集成到可穿戴压力监测平台和个性化医疗系统中的潜力。
引用
@article{arxiv.2506.11179,
title = {Brain2Vec: A Deep Learning Framework for EEG-Based Stress Detection Using CNN-LSTM-Attention},
author = {Md Mynoddin and Troyee Dev and Rishita Chakma},
journal= {arXiv preprint arXiv:2506.11179},
year = {2025}
}