大地距离

基于深度学习方法和脑电图识别组织承诺水平

摘要：近年来脑电图研究的应用场景日趋广泛，相比于其他任务，利用脑电图识别受试者人格特质水平的差异在某种程度上具有更大的挑战性。本文提出了一项基于脑电信号和深度学习方法识别人们组织承诺水平的新任务。针对这一目标，我们基于脑电特征的拓扑图构建了一种图卷积神经网络结构（EEG-GCN），并将其与一维卷积神经网络（1D-CNN）、二维卷积神经网络（2D-CNN）、LSTM等其他深度学习模型框架进行了比较。同时，我们对脑电特征拓扑图邻接矩阵的构建进行了研究，最终发现成对相位一致性（PPC）与大地距离的组合是最佳选择，所构建的模型可以达到平均79.1%的准确率。此外，在扩大数据集规模后，我们的模型总体平均准确率可以达到81.9%，可见静息态脑电与深度学习方法相结合对组织承诺人格特质的识别是有效的。