Fusing Frontal and Occipital EEG Features to Detect “Brain Switch” by Utilizing Convolutional Neural Network
Notice bibliographique
Résumé
Flicker is the most widely used steady-state visual evoked potential (SSVEP) stimulus. In addition, checkerboard can induce steady-state motion visual evoked potential (SSMVEP) in the occipital area. More recently, the action video is proposed to simultaneously elicit SSMVEP and induce sensorimotor area activations via the mirror neuron systems through Action Observation (AO). Integration of AO with brain-computer interface (BCI) is appealing for neural rehabilitation applications. In order to make such a BCI paradigm more feasible in neural rehabilitation, it is essential to discriminate whether a user is actively engaged with the BCI, i.e. intentional control (IC) state, or not engaged, i.e. non-intentional control (NC) state. In this study, the EEG responses to these three types of visual stimuli were compared for the first time and a convolutional neural network (CNN) was proposed to discriminate IC and NC states. A visual gaiting stimulus was designed to realize BCI-based AO. The results showed that the power of alpha rhythms from frontal area decreased more when the participants engaged at the gaiting stimuli than when the participants engaged at the other two types of stimuli. In addition, the correlation coefficient between the EEG from the occipital area and the template signals increased when the participants engaged at the stimuli. The results also clearly demonstrated the proposed CNN method can discriminate the IC and NC states. In addition, the combination of the attention feature from the frontal area and the SSVEP/SSMVEP feature from the occipital area showed significant performance improvement for the gaiting stimulus, but not for the other two types of stimuli.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».