![arXiv:2408.05837v1 [cs.HC] 2024 年 8 月 11 日](/simg/1/13693591890925715caccb04cba20b6a9c72e41e.png)
机构名称：
¥ 1.0
摘要。在本研究中，我们引入了一个创新的脑电信号重建子模块，旨在提高深度学习模型在脑电眼动追踪任务上的性能。该子模块可以与所有基于编码器-分类器的深度学习模型集成，并在多任务学习框架内实现端到端训练。此外，由于该模块在无监督学习下运行，因此它用途广泛，适用于各种任务。我们通过将其整合到先进的深度学习模型（包括 Transformers 和预训练的 Transformers）中来证明其有效性。我们的结果表明特征表示能力显着增强，均方根误差 (RMSE) 为 54.1mm。这比现有方法有了显着的改进，展示了子模块在改进基于脑电图的模型性能方面的潜力。这种方法的成功表明该重建子模块能够增强编码器的特征提取能力。由于子模块作为子任务安装在主任务下并通过多任务学习框架进行维护，我们的模型保留了原始模型的端到端训练过程。与自动编码器等预训练方法相比，我们的模型节省了与预训练相关的计算成本，并且在适应各种模型结构方面表现出更大的灵活性。得益于子模块的无监督性质，它可以应用于各种任务。我们相信它代表了一种新的范例，可以提高深度学习模型在 EEG 相关挑战中的表现。
arXiv:2408.05837v1 [cs.HC] 2024 年 8 月 11 日
主要关键词
![arXiv:2408.05837v1 [cs.HC] 2024 年 8 月 11 日PDF文件第1页](/bimg/6/6ee4e37432c970e204feaa626a33fc4762e039a1.webp)
![arXiv:2408.05837v1 [cs.HC] 2024 年 8 月 11 日PDF文件第2页](/bimg/7/72c2f164d5314e7e7fd9b2394896b5a2d6b69983.webp)
![arXiv:2408.05837v1 [cs.HC] 2024 年 8 月 11 日PDF文件第3页](/bimg/7/783d9a7a0dee8d90ece6391c53081293ed974a77.webp)
![arXiv:2408.05837v1 [cs.HC] 2024 年 8 月 11 日PDF文件第4页](/bimg/5/5f1de7e5a5c0a67aef8fbee258c9afc16b9b3345.webp)
![arXiv:2408.05837v1 [cs.HC] 2024 年 8 月 11 日PDF文件第5页](/bimg/4/4946ee9603ddce584b6607826a4124420466d3b7.webp)
相关文件推荐
![arXiv:2408.02722v3 [quant-ph] 2024 年 10 月 11 日](/simg/e/edbb3d95bec40e1a2889557da7b0e6b063c29d9a.png)
![arXiv:2404.17895v1 [cs.HC] 2024 年 4 月 27 日](/simg/7/71317db7666471198cd2dd51133daac74c160000.png)
![arXiv:2408.10339v1 [quant-ph] 2024 年 8 月 19 日](/simg/2/2f6d686260270e25af52955d0d3c5d43f75756f0.png)
![arXiv:2406.07305v1 [quant-ph] 2024 年 6 月 11 日](/simg/c/c1ffc5048c64fc8eddd28b8a08b4a494f004f771.png)
![arXiv:2408.08423v1 [physics.app-ph] 2024 年 8 月 15 日](/simg/f/f83e84219529048324e91468c0168dfca898da3f.png)
![arXiv:2402.05138v1 [cs.AI] 2024 年 2 月 6 日](/simg/a/a88ffeefc81f01e0c2bd0166d654268028a7ad0c.png)
