基于 LOD 理论的感知引导 EEG 分析：一种深度学习方法
信号处理
2025-04-29 v3 人机交互
机器学习
摘要
目标：本研究探索一种新型的深度学习方法，用于 EEG 分析和感知状态引导，灵感来自层次细节 (LOD) 理论。目的是提高感知状态识别的准确率，并推动个性化心理治疗的发展。方法：使用便携式 EEG 设备和音乐节奏信号进行数据收集。将 LOD 理论应用于动态调整 EEG 信号处理，提取核心感知特征。基于 Unity 的软件系统将 EEG 数据与音频材料集成。深度学习模型由 CNN 用于特征提取和分类，以及 DQN 用于强化学习以优化节奏调整。结果：CNN 在感知状态分类中达到 94.05% 的准确率。DQN 将受试者引导至目标状态的成功率为 92.45%，平均为 13.2 个节奏循环。然而，只有 50% 的用户报告与目标状态的心理一致性，仍有改进空间。讨论：结果验证了基于 LOD 的 EEG 生物反馈潜力。局限性包括数据集来源、标签主观性以及奖励函数优化。未来工作将扩展到更多样的受试者，纳入多样化的音乐元素，并优化奖励函数以实现更好的泛化和个性化。
引用
@article{arxiv.2501.10428,
title = {Perception-Guided EEG Analysis: A Deep Learning Approach Inspired by Level of Detail (LOD) Theory},
author = {BG Tong},
journal= {arXiv preprint arXiv:2501.10428},
year = {2025}
}