集成LSTM层与CNN以增强基于fNIRS数据的认知负荷分类
机器学习
2024-07-24 v1 人工智能
摘要
功能近红外光谱(fNIRS)作为一种非侵入性方法，通过捕捉氧合血红素(HbO)和脱氧血红素(HbR)浓度的变化来监控功能脑激活。各种机器学习分类技术已被用于区分认知状态。然而，传统机器学习方法虽然实现简单，但在网络训练前存在复杂的预处理阶段，并且由于数据预处理不足而表现出降低的准确率。此外，基于fNIRS的认知负荷评估研究主要聚焦于区分两种不同大小的认知负荷水平，这些研究主要旨在分类低和高认知负荷或区分易于和困难的任务。为解决传统方法所存在的局限性，本文对Long短期记忆(LSTM)层对卷积神经网络(CNN)在深度学习模型中效果的影响进行了全面探索。这是为了解决CNN在先前研究中存在的空间特征过拟合和缺乏时序依赖性的问题。通过集成LSTM层，该模型能够捕捉fNIRS数据的时序依赖性，从而实现对认知状态的更全面理解。主要目标是评估将LSTM层集成到CNN中是否提升了模型性能。本文所呈现的实验结果表明，LSTM层与卷积层的集成使深度学习模型的准确率从97.40%提升到97.92%。
引用
@article{arxiv.2407.15901,
title = {Enhancing Cognitive Workload Classification Using Integrated LSTM Layers and CNNs for fNIRS Data Analysis},
author = {Mehshan Ahmed Khan and Houshyar Asadi and Mohammad Reza Chalak Qazani and Adetokunbo Arogbonlo and Siamak Pedrammehr and Adnan Anwar and Asim Bhatti and Saeid Nahavandi and Chee Peng Lim},
journal= {arXiv preprint arXiv:2407.15901},
year = {2024}
}
备注
conference