细心的

端到端3D卷积神经网络，用于解码细心的精神状态

对待精神状态的检测在神经反馈过程以及注意力缺陷和多动症（ADHD）中起着至关重要的作用。但是，检测方法的性能仍然不满意。挑战之一是为脑电图（EEG）数据找到适当的表示，该数据可以保留时间信息并保持空间拓扑特征。受到大脑 - 计算机界面（BCI）领域研究中的深度学习（DL）方法的启发，提出了提出了带有级联和平行卷积操作的3D卷积神经网络模型的EEG信号的3D表示。该模型利用了三个级联块，每个级联块由两个平行的3D卷积分支组成，以同时提取多尺度特征。在包含26名受试者的公共数据集上进行了评估，与对象内，受试者间和受试者自适应分类方案相比，所提出的模型的性能更好。这项研究证明了3D CNN模型检测细心状态的有希望的潜力。©2021 Elsevier Ltd.保留所有权利。