Scalogram-Based Blink Detection in EEG with GoogLeNet, Gaussian Naive Bayes and Majority Voting Using meBaL Dataset
Notice bibliographique
Résumé
Low mobility is a significant global issue, affecting over 16% of the world's population, or one in every six persons. It impacts the quality of life and daily routines of those affected. To address this issue, we initiated a project to command a robotic wheelchair using the NeuroSky MindWave headset. The first step was to develop an eye-blink detection algorithm using the meBaL open dataset which is widely used to analyze eye-blink behavior and measure the user's level of attention. However, the main challenge in using only EEG data is distinguishing between blink and non-blink states. Accurate detection of blink behavior in EEG data is crucial for understanding how the brain reacts to different situations. This understanding can provide valuable insights for developing assistive technologies that adapt to the user's cognitive state, improving their quality of life. This paper proposes a hybrid approach for recognizing eye blinks in EEG data. In this study we utilized EEG signal scalograms-a time-frequency representation, combined with Gaussian Naive Bayes for classification with majority voting and GoogLeNet for feature extraction, achieving an impressive accuracy of 95.15%. This research aims to contribute to the growing field of neurophysiological studies and pave the way for future innovations, particularly assistive technologies for people with limited mobility.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».