机构名称：
¥ 1.0
在先进的人机界面 (HCI) 框架内，基于跨受试者脑电图 (EEG) 的驾驶员疲劳识别正在成为工业 5.0 范式中的关键应用。认识到通过主动监控确保驾驶员安全的重要性，提供通用的 EEG 解码系统对于提高道路安全至关重要。由于 Transformers 在各种应用中取得了巨大成功，这项工作调查了 Transformers 在具有挑战性的跨受试者 EEG 解码任务中的应用。先前的研究侧重于使用 Transformers 来捕获全局时间信息，但较少研究全局频域模式。此外，为了利用基于自然语言处理的标准 Transformer 架构进行 EEG 解码，必须考虑 EEG 的固有特性并相应地做出相关调整。在这项工作中，我们提出了一个时频 Transformer (TFormer)，它可以从原始 EEG 数据中自动学习全局时频模式。 TFormer 由三个组件组成：用于输入嵌入的卷积词干、用于将时域模式整合到频率点的时频多头交叉注意力 (TF-MCA) 以及用于进一步学习全局时频模式的自注意力。此外，我们分析了 TFormer 的内部设置，发现批量归一化 (BN) 比层归一化 (LN) 更适合跨受试者 EEG 解码。实验结果表明，与现有方法相比，所提出的模型具有优越性。总的来说，我们的工作促进了 Transformer 模型在 EEG 解码方面的发展，并展示了一种利用 Transformer 解码原始 EEG 数据的不同方法。
TFormer-新加坡
主要关键词
相关文件推荐
