利用单任务与多任务卷积神经网络从 EEG 预测听觉空间注意
信号处理
2019-05-07 v1
摘要
近期的行为与脑电图（EEG）研究已界定了听觉空间注意可在大范围空间上分配的方式。如同多数实验研究，行为 EEG 被在数十分钟上平均，因为从原始 EEG 数据识别抽象特征空间编码极具挑战。本研究的目的是设计一种深度学习模型，能够从原始 EEG 数据学习并逐试次预测听觉空间信息。我们设计了一种卷积神经网络（CNN）模型，用于预测被注意位置或相对于被注意位置的其他刺激位置。还使用了一种多任务模型同时预测被注意位置与刺激位置。基于模型的可视化，我们考察了各分类任务的特征以及多任务模型的联合特征。我们的模型在相对位置预测中达到平均 72.4% 的准确率，在被注意位置预测中单独达到 90.0%。多任务模型将被注意位置预测的 performance 提升了 3%。我们的结果表明被注意位置与相对位置之间存在强相关性。
引用
@article{arxiv.1905.01378,
title = {Predicting Auditory Spatial Attention from EEG using Single- and Multi-task Convolutional Neural Networks},
author = {Zhentao Liu and Jeffrey Mock and Yufei Huang and Edward Golob},
journal= {arXiv preprint arXiv:1905.01378},
year = {2019}
}
备注
6 pages, 5 tables, 9 figures