基于特征值特征的 2D 与 3D 教育内容脑信号分类
机器学习
2019-05-01 v1 信号处理
机器学习
摘要
在本文中，我们提出了一种脑信号分类方法，该方法使用协方差矩阵的特征值作为特征，对由脑信号生成的图像（拓扑图）进行分类。信号在回答 2D 和 3D 问题时记录。该系统用于分类 2D 和 3D 问题的正确与错误答案。利用该分类技术，将比较 2D 和 3D 多媒体教育内容对学习、记忆保持和回忆的影响。受试者学习相似的 2D 和 3D 教育内容。之后，受试者在三十分钟（短期记忆）和两个月（长期记忆）后被问及与内容相关的 20 道多项选择题（MCQs）。从拓扑图图像中提取的特征值特征被输入 K-Nearest Neighbor (KNN) 和 Support Vector Machine (SVM) 分类器，以识别与错误和正确答案相关的大脑状态。两种分类器均获得了优异的准确率，并且对结果进行统计分析表明，在短期记忆和长期记忆中，2D 和 3D 多媒体教育内容对学习、记忆保持和回忆均无显著差异。
引用
@article{arxiv.1904.13221,
title = {Eigen Values Features for the Classification of Brain Signals corresponding to 2D and 3D Educational Contents},
author = {Saeed Bamatraf and Muhammad Hussain and Emad-ul-Haq Qazi and Hatim Aboalsamh},
journal= {arXiv preprint arXiv:1904.13221},
year = {2019}
}