面向持续视觉注意力训练平台的精度提升：基于离线 EEG 信号的分类器微调
信号处理
2024-05-08 v2
摘要
本研究开发了一种新型开源脑机接口（BCI）平台，用于解码与持续注意力相关的头皮电脑磁图（EEG）信号。EEG 信号采集采用无线头戴式设备，进行持续视觉注意力任务，要求受试者区分由场景与人脸构成的复合图像，仅对相关子类作出响应，忽略无关子类。7 名志愿者参与实验。所收集的数据通过事件相关电位（ERP）、希尔伯特变换和小波变换进行分析，以提取时频特征。针对每个受试者，基于提取的特征开发了带调优超参数的支持向量机（SVM）和随机森林（RF）模型个性化模型，旨在解码受试者对面部和场景刺激的注意状态。SVM 模型实现了平均准确率为 80%，ROC 曲线下面积（AUC）为 0.86，而 RF 模型显示出平均准确率为 78%，AUC 为 0.8。本工作表明未来可用于视觉注意力评估和脑波闭环调节系统的开发。
引用
@article{arxiv.2405.02422,
title = {Precision Enhancement in Sustained Visual Attention Training Platforms: Offline EEG Signal Analysis for Classifier Fine-Tuning},
author = {Maryam Norouzi and Mohammad Zaeri Amirani and Yalda Shahriari and Reza Abiri},
journal= {arXiv preprint arXiv:2405.02422},
year = {2024}
}
备注
5 pages, 3 figures, 18 references, EMBC conference