基于模糊共空间模式与相位凝聚及深度自编码器数据融合的EEG反应时间预测
信号处理
2023-12-04 v1
摘要
驾驶员的 drowsiness 状态因其对交通事故的重要影响而受到广泛讨论。本研究提出了一种结合模糊共空间模式（CSP）优化的相位凝聚序列（PCS）表示以及模糊 CSP 优化的信号幅度表示的新方法。该研究旨在考察警觉与 drowsiness 状态下脑电图（EEG）同步性的变化，通过分析 EEG 数据预测驾驶员的反应时间，并进而识别 drowsiness 的存在。研究结果表明，该方法成功区分了警觉与困倦的心理状态。通过采用基于深度自编码器（Deep Autoencoder）的数据融合技术以及支持向量回归（SVR）或最小绝对收缩与选择算子（LASSO）等回归模型，所提方法优于将单个特征集与回归模型结合使用。这一优越性通过评估均方根误差（RMSE）、平均绝对百分比误差（MAPE）和相关系数（CC）来衡量。换言之，在回归中使用基于自编码器的幅度 EEG 功率特征与 PCS 特征的融合，优于在回归模型中单独使用其中任一特征。具体而言，与仅使用单个幅度 EEG 功率特征和回归的基线模型相比，所提数据融合方法的 RMSE 降低 14.36%，MAPE 降低 25.12%，CC 提高 10.12%。
引用
@article{arxiv.2312.00479,
title = {EEG-Based Reaction Time Prediction with Fuzzy Common Spatial Patterns and Phase Cohesion using Deep Autoencoder Based Data Fusion},
author = {Vivek Singh and Tharun Kumar Reddy},
journal= {arXiv preprint arXiv:2312.00479},
year = {2023}
}