用于阅读任务识别的同步EEG与眼动数据动态图建模
信号处理
2021-02-25 v1 人工智能
摘要
我们提出一种称为 AdaGTCN 的新方法，用于从脑电图（EEG）与眼动（EM）数据识别人类读者意图，以帮助区分正常阅读与任务导向阅读。理解阅读过程的生理方面（认知负荷与阅读意图）有助于提升众包标注数据的质量。我们的方法，自适应图时间卷积网络（AdaGTCN），使用自适应图学习层与深度邻域图卷积层，基于在词级眼动注视期间记录的时间锁定 EEG 序列来识别阅读活动。自适应图学习层动态学习 EEG 电极信号间的空间相关性，而深度邻域图卷积层从稠密图邻域中利用时间特征，从而在阅读任务识别上确立优于其他当代方法的最优性能。我们与若干基线比较，在 ZuCo 2.0 数据集上报告了 6.29% 的提升，并进行了广泛的消融实验。
引用
@article{arxiv.2102.11922,
title = {Dynamic Graph Modeling of Simultaneous EEG and Eye-tracking Data for Reading Task Identification},
author = {Puneet Mathur and Trisha Mittal and Dinesh Manocha},
journal= {arXiv preprint arXiv:2102.11922},
year = {2021}
}
备注
Accepted to ICASSP 2021