TSMG

TSMG：使用脑电图识别人类学习风格的深度学习框架

摘要：教育理论声称，将学习风格纳入与学习相关的活动可以提高学业成绩。识别学习方式的传统方法主要基于问卷和在线行为分析。这些方法在识别方面是高度主观的，并且不准确。脑电图（EEG）信号具有在学习风格的测量中使用的显着潜力。本研究使用EEG信号设计了一种基于学习的认识模型，通过使用非重叠的滑动窗口，一维时空卷积，多尺度特征提取，全球平均池池，全球平均池和小组投票机制来识别人们的学习风格；该模型被命名为TSMG模型（时间空间 - 群体 - 全球模型）。它解决了处理可变长度的脑电图数据的问题，并且与普遍的方法相比，对学习样式的识别的准确性将近5％，同时将计算成本降低了41.93％。提出的TSMG模型还可以识别其他领域中的可变长度数据。作者还制定了一个包含学习样式处理维度的特征的EEG信号（称为LSEEG数据集）的数据集，该功能可用于测试和比较识别模型。该数据集也有利于脑电图技术的应用和进一步开发以识别人们的学习方式。