基于格拉米角差场在 EEG 信号上应用深度神经网络预测听觉注意力得分
机器学习
2021-10-26 v1 信号处理
摘要
听觉注意力是一种选择性的听觉方式，人们有意识地将注意力集中在特定的声源或口语词汇上，同时忽略或抑制其他听觉刺激。在某种意义上，个人的听觉注意力得分显示了该人在听觉任务中能够具备的专注度。深度学习以及记录神经活动的非侵入性技术的最新进展引出了一个问题：深度学习能否结合脑电图 (EEG) 等技术来预测个人的听觉注意力得分？在本文中，我们专注于这一非常具体的问题，即基于使用 14 通道 EEG 信号捕获的大脑电活动来估计个人的听觉注意力水平。更具体地说，我们将注意力估计视为一个回归问题。这项工作是在公开可用的 Phyaat 数据集上进行的。我们利用格拉米角差场 (GADF) 的概念将时间序列 EEG 数据转换为具有 14 个通道的图像，使我们能够训练各种深度学习模型，如 2D CNN、3D CNN 和卷积自编码器。我们将它们的性能进行了相互比较，并与先前的工作进行了比较。在我们尝试的不同模型中，2D CNN 表现最佳。它以 0.22 的平均绝对误差 (MAE) 的显著优势超越了现有方法。
引用
@article{arxiv.2110.12503,
title = {Deep Neural Networks on EEG Signals to Predict Auditory Attention Score Using Gramian Angular Difference Field},
author = {Mahak Kothari and Shreyansh Joshi and Adarsh Nandanwar and Aadetya Jaiswal and Veeky Baths},
journal= {arXiv preprint arXiv:2110.12503},
year = {2021}
}
备注
7 pages, 3 figures