循环与卷积神经网络在引导意象与脑力负荷检测的脑电信号分类中的应用

据报道，引导意象技术被世界各地的治疗师用于提高从精神疾病到肿瘤等多种疾病患者的舒适度，并在多方面被证明是成功的。对治疗师的可能支持在于估计受试者进入深度放松的时间。本文介绍了对26名学生暴露于引导意象放松技术和脑力任务负荷的队列研究结果，该研究使用高密度阵列脑电放大器进行。本文报告的研究旨在验证是否可以使用深度学习方法（如EEGNet、基于长短期记忆的分类器、一维卷积神经网络以及一维卷积神经网络与长短期记忆的混合模型）检测这两种状态之间的差异并进行分类。数据处理流程从数据采集、初始数据清洗、预处理和后处理进行了介绍。分类基于两个数据集：一个使用26个所谓的认知电极，另一个使用从256个通道收集的信号。迄今为止，在所讨论的应用中尚未有此类比较。分类结果通过验证指标呈现，如准确率、召回率、精确率、F1分数和每个案例的损失。结果表明，无需从所有电极收集信号，因为认知电极的分类结果与全信号获得的结果相似，将输入扩展到256个通道并未增加太多价值。在讨论中，提出了一个最优分类器以及关于项目未来发展的建议。