机构名称：
¥ 1.0
眼动追踪技术可以预测眼睛的注视方向，从而根据大脑活动来判断凝视方向。解决这一问题最成功的尝试之一是预测眼动估计回归 [LaConte 等人，2007]，这是一种基于成像的方法，使用机器学习算法根据眼睛的体素数据来估计功能性磁共振成像 (fMRI) 时间序列中的注视方向 [Son 等人，2020]。这对于那些买不起眼动追踪系统或不具备分析眼动追踪数据专业知识的神经科学实验室来说具有巨大的潜力。然而，fMRI 数据采集成本高昂，并且不能提供认知发生水平的时间分辨率。相比之下，EEG 是一种安全且成本低廉的方法，可以直接测量大脑的电活动，并可以在临床环境中进行测量（例如在病床上进行长期记录）。机器学习技术可以从脑电图记录中提取大脑活动信息，并在几个重要的基于脑电图的研究和应用领域中发挥着至关重要的作用[Roy et al . 2019a]。具体来说，深度学习允许计算模型学习具有多个抽象级别的数据表示，从而使用数据集提供的所有信息[Vahid et al . 2020]。尽管深度学习在脑电图时间序列分类方面已被证明是成功的并且得到了广泛的应用[Roy et al . 2019b]，但它在实验研究和架构设计方面仍然落后于图像识别。在这个项目中，作为对凝视位置进行分类的第一步，我们假设可以通过结合脑电图和深度学习来恢复扫视的方向（左和右）。这反过来又可以为已经获得的和可用的脑电图研究提供关于扫视方向的更多信息，从而可以重新分析这些数据集，以验证结果并解决以前不适用的新研究问题（例如，与年龄相关的大脑活动差异因老年受试者比年轻受试者更频繁地移动眼睛这一事实而变得复杂 [Płomecka et al. 2020]）。此外，从脑电图数据中恢复眼球注视信息可以潜在地改善许多基于脑电图的辅助技术，例如基于非侵入性脑机接口 (BCI) 的假肢或移动机器人，提供额外丰富的测量指标并帮助现有技术提高性能 [Kapralov et al . 2019]。我们相信这项研究为更先进的辅助技术提供了一些重要见解，例如将 ET 与脑电图相结合的混合方法 [Millán et al. 2010]。已经有一些关于经典监督机器学习技术的研究；例如，[Bulling et al.
使用深度学习对大脑活动中的扫视方向进行分类
主要关键词
相关文件推荐
