摘要 收集眼动信息可以让我们了解人类认知、健康和行为的许多关键方面。此外,许多神经科学研究利用脑电图 (EEG) 提供的高时间分辨率和神经生理标记来补充从眼动追踪中获得的行为信息。眼动追踪软件处理的基本步骤之一是将连续数据流分割成与眼动追踪应用相关的事件,例如扫视、注视和眨眼。在这里,我们介绍了 DETRtime,这是一个新颖的时间序列分割框架,它创建的眼动事件检测器不需要额外记录的眼动追踪模式,而仅依赖于 EEG 数据。我们基于端到端深度学习的框架将计算机视觉领域的最新进展带到了 EEG 数据时间序列分割的前沿。DETRtime 在各种眼动追踪实验范式中实现了眼动事件检测的最佳性能。除此之外,我们还提供证据证明我们的模型在 EEG 睡眠阶段分割任务中具有很好的泛化能力。
主要关键词
![arXiv:2206.08672v1 [cs.LG] 2022 年 6 月 17 日PDF文件第1页](/bimg/7/79d104db335d6c5024d6bd76adbb51de66008372.webp)
![arXiv:2206.08672v1 [cs.LG] 2022 年 6 月 17 日PDF文件第2页](/bimg/c/cb07f54f039f3941aa9069d58c14acaf1c851cfb.webp)
![arXiv:2206.08672v1 [cs.LG] 2022 年 6 月 17 日PDF文件第3页](/bimg/c/c60d6efaeee6ca6c1cba5a10d6c29b84e5fd9366.webp)
![arXiv:2206.08672v1 [cs.LG] 2022 年 6 月 17 日PDF文件第4页](/bimg/c/c44a106018e3f0b7e824a63be5f92ba59b451a93.webp)
![arXiv:2206.08672v1 [cs.LG] 2022 年 6 月 17 日PDF文件第5页](/bimg/c/c5b91d763b4c0e3b6b671354ef94007aa65daa43.webp)
