Detection of freely moving thoughts using SVM and EEG signals
Notice bibliographique
Résumé
Abstract Objective. Freely moving thought is a type of thinking that shifts from one topic to another without any overarching direction or aim. The ability to detect when freely moving thought occurs may help us promote its beneficial outcomes, such as for creative thinking and positive mood. Thus far, no studies have used machine learning to detect freely moving thought on the basis of ‘objective’ (e.g. neural or behavioral) data. Approach. Our study addresses this gap, using event-related potential (ERP) and spectral features of electroencephalogram (EEG) signals as well as behavioral measures during a simple attention task and machine learning to detect freely moving thought. EEG features were first examined with both inter-subject and intra-subject strategies. Specifically, the statistical and entropy features of the P3 ERP and alpha spectral measures were entered as inputs to the support vector machine. The best combination of EEG features achieving higher classification performance in both strategies were then selected to combine with behavioral features to further enhance classification performance. Main results. Our best performing model has a Matthew’s correlation coefficient and area under the curve of 0.3105 and 0.6665 for inter-subject models and 0.2815 and 0.6407 for intra-subject models respectively. Significance. The above chance level performance in both strategies using EEG and behavioral features shows great promise for machine learning approaches to detect freely moving thought and highlights their potential for real-time prediction in the real world. This has important implications for enhancing creative processes and mood associated with freely moving thought.
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 | 0,000 |
| Science ouverte | 0,000 | 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 ».