Nov, 2023

组合脑电图和自然语言处理特征，通过集成分类预测学生讲座理解能力

PDF
TL;DR应用脑电图 (EEG) 和自然语言处理 (NLP) 对教育进行研究以衡量学生在课堂讲座中的理解，本文提出了一个分类框架，用于预测学生在两个任务中的讲座理解情况: (i) 学生在听完模拟讲座后的困惑程度和 (ii) 学生对讲座后评估的回答的正确性。该框架包括脑电图和自然语言处理特征提取、处理和分类。通过提取脑电图信号和句子级句法分析获取的综合特征，可以衡量特定生物标记和句子结构方面的信息。采用集成堆叠分类方法 - 多个个体模型的组合，学习特征以准确预测。此外，还利用主观困惑评分作为另一个集成特征来提高分类性能。实验结果表明，该框架的表现优于基准线，对于预测困惑和正确性的 F1 值达到 0.65 和 0.78，突显利用这一框架有助于提高分类性能。
electroencephalographynatural language processingcomprehensionclassification frameworkprediction
发现论文，激发创造
  • 机器关注时的人类大脑活动

    通过将神经网络和神经科学的 EEG 数据相结合，使用理论驱动的裁剪和随机森林树分割来降低 EEG 数据的维度，从而改进了 NLP 任务中的注意力机制，表现出比强基准线更佳的表现，有助于进一步研究 EEG 在 NLP 任务中的应用。

    Jun, 2020

  • 基于 EEG 的图像特征提取与深度学习视觉分类

    本研究采用一种有效的编码方式将脑电信号编码为图像，从而实现对深度学习模型中的脑信号进行更细致的理解，并将其与标准图像特征相结合，以提高深度学习模型的可解释性。通过在六个受试者的层数据集上对 39 个图像类别进行编码分类，该方法在 82% 的准确率方面优于现有工作，从而证明了该理论的可行性。

    Sep, 2022

  • 用于多模式自然语言处理的 EEG 脑电信号解码

    本文针对脑电信号对自然语言处理的潜力进行了大规模研究，利用多模态机器学习体系结构，发现滤波后的脑电信号对情感分析任务的性能提升最为明显，特别是在训练数据有限的情况下。

    Feb, 2021

  • 理解通过脑电数据学习：基于隐马尔可夫模型和混合模型的机器学习与特征工程结合

    通过使用隐马尔可夫模型和线性混合效应模型从 EEG 数据中提取特征，本研究分析了使用六种机器学习方法对学习者和非学习者进行分类的性能，并比较了不同标准化方法对分类性能的贡献。结果显示，只有使用 theta EEG 数据和深度神经网络时，才能达到超过 80% 的 ROC 曲线下面积，增强了空间学习任务中学习者和非学习者的分类能力。

    Nov, 2023

  • 借助认知语言处理信号推动自然语言处理

    使用认知处理数据（如注视模式和脑电图特征）可以显著提高文本处理任务的性能，但在不同任务和数据源上具有局限性。

    Apr, 2019

  • EEG-GPT: 大型语言模型在脑电波分类与解读中的能力探索

    EEG-GPT 是一种统一的脑电图分类方法，利用大型语言模型的进展实现了在多尺度脑电生理理解和分类能力方面出色的性能，同时提供透明和可解释的逐步验证过程，从而在临床环境中提高了可信度。

    Jan, 2024

  • 基于层次深度特征学习的 EEG 想象语音解码

    本文提出了一种混合深度神经网络策略，将卷积神经网络和递归神经网络并行组合，级联自编码器和全连接层，以自动识别 EEG 中的想象语音，并演示了相对于基线方法约 23.45％的准确度改进，展示了混合 DNN 方法在复杂时空分类问题上的潜力。

    Apr, 2019

  • 使用脑电图与机器学习分析学习任务的脑活动

    该研究旨在分析不同 STEM 活动中的大脑活动，探索分类不同任务的可行性。收集了二十个受试者在五个认知任务中的脑电数据，并将其分割为 4 秒的片段。通过分析大脑频率波的功率谱密度，测试了使用 XGBoost、随机森林和装袋分类器等不同的 k 间隔，结果显示随机森林在两个间隔大小时表现最好，测试准确率达到 91.07%。当利用所有四个脑电通道时，认知灵活性最为显著。任务特定的分类准确率显示右额叶在数学处理和规划方面表现出色，左额叶在认知灵活性和心理灵活性方面表现出色，左颞顶叶在连接方面表现出色。值得注意的是，在进行 STEM 活动时观察到了额叶和颞顶叶之间的许多连接。这项研究有助于更深入地了解将机器学习应用于分析大脑活动，并揭示了大脑的机制。

    Jan, 2024

  • 基于机器学习和神经网络的 EEG 信号情绪分析

    本研究通过使用 SVM，KNN 和 RNN (LSTM) 等算法，对 DEAP 数据集中的 EEG 信号进行分类和测试，以探究如何使用脑信号来改进情绪识别的性能，并进一步研究情绪随时间变化的规律。

    Jul, 2023

  • BENDR：使用变压器和对比自监督学习任务从海量脑电数据中学习

    本文着眼于通过自我监督学习和适应语言建模技术来发展基于深度神经网络的脑电建模技术，建立起一个单一的预训练模型，用于建模不同硬件、不同受试者和不同任务的全新脑电图序列记录，从而取得较好的脑机接口和脑电分类性能。

    Jan, 2021