脑电图信号和特征交互Modeling-Based眼睛行为预测研究

文摘

近年来,随着大脑科学和生物医学工程的发展,以及快速发展的脑电图(EEG)信号分析方法,利用脑电图信号监测人类健康已成为一个非常热门的研究领域。本文的创新是分析EEG信号首次通过构建一个深度分解机模型,以便分析用户交互的特点的基础上,我们可以使用脑电图数据来预测二项的眼睛睁开眼睛,闭上眼睛。这项研究的意义是,我们可以诊断疲劳和人体的健康通过检测眼睛的状态很久了。这个推理的基础上,该方法可以进一步做一个有用的辅助支持,提高推荐系统的推荐结果的准确性。在本文中,我们首先提取EEG数据的小波变换技术的特点,然后建立一个深度分解机模型(FM + LSTM)相结合分解机(FM)和长期短期记忆(LSTM)并行。通过实际的测试数据集,该模型得到更有效的预测结果比其他分类器模型。此外,本文提出的模型不仅适用于测定眼睛的功能也为收购互动功能(用户疲劳)的推荐系统。本文所得的结论将是一个重要的因素在确定用户首选项的推荐系统,这将用于分析图形交互式功能的神经网络在未来的工作。

1。介绍

大脑皮层电活动的记录通过检测电极,和潜在的振幅作为纵轴和时间的水平轴形成一个地图可以反映自发和有节奏的不同部分的大脑的电活动随着时间的推移,被称为脑电图(1];它的全名是脑电图。汉斯卑尔根,1924年德国精神病学家首次发现并记录普通人类大脑的电活动(2]。1933年,伯杰的研究肯定了英国著名生理学家既有艾德里安。从那时起,脑电图发展迅速,检测方法包括多引入线的常规脑电图(自发的鸡蛋和诱发蛋),睡眠脑电图,动态脑电图,视频脑电图和其他检测方法(发生3- - - - - -5]。人类大脑的结构是非常复杂的和复杂的。从微观的角度来看,它主要由数十亿的神经元。EEG信号由两部分组成,一个是在大脑皮层锥体神经元的突触后电位的差异,另一个是垂直的树突。中枢神经系统的生物信号用于传输,存储,和处理各种生理活动信息,控制人类行为(6]。作为一个行动与脑电图,眼睛状态(打开和关闭的眼睛)可以被观察脑电图信号的特征变化。

关键技术的脑机接口(BCI),脑电图可以应用在五个阶段7]。其中,有三个信号处理的重要内容,是预处理,特征提取,EEG信号的分类;以上已广泛研究[8,9]。早在19世纪末,英国生理学家理查德·卡顿带头用电流计捕获弱电信号表面的动物的大脑皮层(10]。通过捕获的电信号的动物的研究中,研究人员发现,在安静的没有外部刺激,捕获的电流信号波形显示有节奏的摆动。近年来,随着计算机科学技术的发展,先进的技术,如x射线电子计算机断层扫描、正电子发射计算机断层扫描介绍了脑电图研究[11]。脑电图也常用监测病人的睡眠,麻醉深度,和疲劳。本文是监控状态的眼睛通过脑电图(疲劳程度)。

大量的学者正试图通过脑电图检测疲劳状态。智能交通实验室(宾夕法尼亚大学)和国家公路交通安全管理局(12]使用脑波仪和头部运动检测器测试和分析EEG和眼睛的驾驶员在疲劳状态的特征参数,最后确定PERCLOS(累计时间比闭目单位时间)作为测试驾驶员的生理疲劳程度指数评估。Bergasa et al。13](澳大利亚)测试几个nondrivers,基于nonfatigue的脑电波的变化状态,他们进一步分析脑电波变化的特点在nonfatigue五个阶段,在疲劳、中度疲劳,瞌睡,疲劳(从疲劳醒来)。喜田岛武井et al。(日本科技大学,Zhipu)获得了司机的转向角信号时将驾驶过程中的模拟仿真实验测试的基础上。他们第一次加工转向角信号的傅里叶变换理论和小波理论。然后,他们决定转向角信号的小波变换值的司机在不同心理状态运用非线性理论(混沌理论),以判断驾驶员的疲劳程度。最后,快速变换算法(FFT快速小波变换),讨论了实现驾驶员疲劳状态的实时评估。根据四种典型的脑电波(δ波,频率是1 - 3.5赫兹;α波,频率是7.5 - -12.5赫兹;β波,频率是12.5 -30赫兹;和θ波,频率是3.5 - -7.5赫兹)及其变化,我们可以反映人们的精神状态。相关研究表明,的变化α波是最好的反映了人类疲劳(14]。W-Bang等人收集了四种典型的脑电波,获得相应的脑波熵使用热力学熵理论,和评估司机的疲劳程度根据计算值的变化15]。燕et al。16)进行了实验测试与kt98 - 2000动态脑电图仪。首先,司机(健康,不服用任何刺激性药物)收集nonfatigue和疲劳状态下从事各种驾驶操作(启动、转移、控制运动时的脑电波,转向…)。接下来,得到功率谱和功率谱密度估计计算不同的脑电波。最后,四种典型的脑波的平均功率谱密度比当司机执行各种驾驶操作,如开始、转移、制动和转向nonfatigue和疲劳条件下。

大多数的研究上面提到的是判断人体的疲劳状态通过直接识别脑电图的特点。本文从脑电图特征数据提取小波变换技术,然后,眼睛状态预测的分类算法,与传统的分类算法相比, - - - - - -最近邻算法(17- - - - - -19[],朴素贝叶斯算法20.- - - - - -22),人工神经网络(ANN) [23),和线性判别分析(24- - - - - -27]。在本文中,我们建立一个FM + LSTM模型来预测眼睛状态。模型是结合线性调频交互特征和非线性LSTM的互动特征。它可以大大提高眼睛状态分类和预测的准确性。在本研究的基础上,我们也可以推断出人体的疲劳程度通过监测人体的眼睛状态很长一段时间,这可以帮助我们推荐用户行为。例如,它可以帮助我们来检测用户是否在工作过载的状态在工作时间相结合提出的眼睛状态分类预测方法和我们之前的交互特性的研究结果。与此同时,它还可以帮助我们检测是否非职业原因引起的疲劳状态的用户是在非职业的时间。因此,建议可以得到更准确的用户行为。

2。相关工作

本文的目的是预测眼睛状态(开启和关闭眼)通过脑电图数据,这是一个典型的二元分类问题。因为传统的二进制分类在一些方面有许多缺点,及其性能差,我们使用调频算法广泛应用于推荐系统的点击率预测,以及一个好的二进制分类算法。调频算法的优点如下:(1)调频模型可以进行合理的参数轨迹非常稀疏的数据;(2)线性调频的复杂性模型,优化效果好,它不需要依赖这样一个支持向量的支持向量机(SVM);(3)调频是一个通用模型,可以用在任何情况下,特征值是真实的。其他因子分解模型只能用于某些情况下的输入数据是相对固定的。此外,我们也使用LSTM,深网络模型具有良好的泛化能力和非线性映射能力。与递归神经网络相比,LSTM解决了梯度爆炸问题;因此,LSTM是一个强大的分类预测模型。

在本文的实验部分,提取相应的特征通过小波变换技术,在一个炎热的进行编码处理这些数据,这将不仅增加输入数据的数量,也产生大量的稀疏数据(大量的零数据出现在数据集)。根据集成学习的概念,指的是DeepFM [28)模型(一种高效点击率预测模型的推荐系统),我们整合调频和并行LSTM, FM + LSTM模型,自动低阶特性的特征组合,线性数据连接,稀疏矩阵友好。LSTM可以解决梯度爆炸问题,实现高阶特征组合和非线性映射的特点。此外,脑电图数据获得连续的测试在一个时间序列,这是非常适合长期和短期记忆的预测和分类模型。因此,提出深度分解机模型适用于两个分类的问题,确定眼睛的行为。深度分解机模型结合调频的优点和LSTM,也适用于两个分类问题来判断眼睛的状态。在以下部分中,我们将简要介绍了FM模型和LSTM模型。

2.1。介绍了调频

分解机Rendle在2010年提出的一种新的模式,它使用的潜在因素模型和矩阵分解(供参考29日]。数据稀疏的问题在一定程度上可以克服使用矩阵分解的概念来解决最优二次参数。目前,有许多潜在因素模型评级推荐领域的预测,如常见的矩阵分解,和代表算法奇异值分解(30.]。这些算法的主要缺点是,它们只适合特定输入数据类型,以及优化算法是只提出了当前的任务,没有通用性。在不同的任务场景,他们不能直接迁移水平和扩展。分解机模型是一个通用模型,可以改变传统的矩阵分解算法的缺点。调频只需要改变输入特征向量的形式来模拟常见的矩阵分解模型,而传统的矩阵分解模型来定义模型表达和优化方法分别为每个特定的任务。因此,调频有效地避免这种事故。

2.2。引入LSTM

由于人工神经网络模型的非线性过程,它可以解决一系列复杂的问题,如分类、聚类、降维、回归,和结构的预测。计算机行业的革命,指数计算机计算能力的提高,近年来数据的爆炸性增长,根深蒂固的人工神经网络,需要大量的计算能力已得到广泛应用。从最经典的感知器,有很多种神经网络模型。典型的卷积神经网络(CNN)模型,递归神经网络(RNN)和LSTM RNN变体。不同的神经网络模型有不同的场景。

正如上面提到的,循环神经网络或RNN是一种神经网络处理序列数据(31日]。LSTM的网络结构,提出了1997年的由Hochreiter。施密德胡贝尔表示(32),然后,这种网络变得非常流行。许多人解决了许多实际问题基于LSTM的网络结构,而现在,LSTM仍广泛使用。链循环递归神经网络的结构,网络结构的LSTM基本上是相同的结构,但是LSTM更复杂的网络结构;因此,它可以处理长期的依赖。LSTM有三个门控制,输入门,忘记门,和输出门。输入门控制网络的输入,忘记门控制内存单元和输出门控制网络的输出。最重要的是忘记了门口。忘记门的功能是决定记忆将被保留下来,记忆将被遗忘。正是因为忘记门的功能“LSTM”长期记忆功能。对于一个给定的任务,忘记门可以用来学习许多以前的回忆可以保留,使自主学习的网络有能力而无需人工干预。

以下解释了网络流的过程LSTM从特定的内部结构。LSTM的内部结构如图1。接下来,我们将解释他们的内部运行方式以及如何代表上述三个门。

输入门控制多少信息可以流进记忆细胞。忘记门控制多少信息在最后一刻的记忆细胞可以累积到当前时刻的记忆细胞。输出门控制多少信息在当前时间的记忆细胞可以流入当前隐藏状态 。

第一步:使用忘记门决定哪些信息丢弃从细胞状态和计算衰减系数。读和和输出值在0和1之间,每个数字在细胞加载 。这决定了我们丢弃从细胞的状态信息。自乙状结肠的输出是0到1,1表示“全预约”和0表示“完全放弃。”

第二步:更新信息。首先,乙状结肠层是“输入层,门”,决定了我们将更新值。然后,双曲正切层创建一个新的候选向量。

第三步:更新旧的细胞状态的时间 ,这是更新后的 。

第四步输出:输出门决定价值。此时的输出是根据计算第三部分的状态。

2.3。方法和贡献

本文的研究内容是检测眼睛的状态(睁开眼睛,闭上眼睛)通过脑电图数据。目的是检测眼睛的状态很长一段时间,以诊断疲劳和个人健康状况。事实上,这是一个二分类问题。具体而言,在本文中,我们从脑电图通过小波变换提取特征数据的技术,然后构建一个FM + LSTM模型分类和预测的眼睛状态。该模型结合了线性调频交互特征和非线性LSTM的交互特点,可以大大提高分类效率。本文的主要贡献可以概括如下:(1)从脑电图通过小波变换提取的特征是:(我)脑电图的一阶低频信号特征小波变换得到的数据(33),有14个脑电图的价值观(2)提取的数据特征作为分类和预测的基础(2)构建一个FM + LSTM模型分类和预测的眼睛状态:(我)这个模型是第一个,我们建立了研究和应用基于脑电图的眼睛行为的分类和预测(2)模型由调频和短期记忆神经网络并行形式,两种模型的优点相结合,自动低阶特性组合的特点,线性数据连接,稀疏矩阵友好。LSTM可以用来解决梯度爆炸的问题,实现高阶和非线性映射特性组合,适合眼睛行为的分类和预测(3)本文真实数据集上的测试模型,并通过实验结果的比较,发现FM + LSTM本文模型建立了具有更好的分类和预测效率比其他分类模型

3所示。脑电图ieee FM + LSTM模型

3.1。理论框架

在本文的实验部分中,我们将首先介绍实验内容的理论框架,如图2。

3.2。小波变换特征提取的脑电图

EEG信号是非线性和非平稳的随机的微弱信号,相对较弱的振幅。一般来说,EEG信号的振幅不超过300人μ诉连续小波变换(CWT) [33- - - - - -36]实际上混淆了EEG信号与本地化翻译扩张小波加权函数在时间和频率域,从而将信号分解成各个组件在不同时间或频率。让信号脑电图是平方可积函数的记录 。旋卷EEG信号母小波函数,调用方程(1EEG信号的连续小波变换 :

在上面的公式中, EEG信号的小波系数,规模控制小波的扩张和收缩功能,翻译量控制小波函数的翻译。对应于频率(反比),规模和翻译对应于时间。

如果傅里叶变换父小波函数满足常数分辨率的限制 然后有一个重建EEG信号的连续小波变换公式,及其表达式所示

在上面的公式中,宽容的条件吗和 小波变换系数。小波基以来规模两个参数和位移,小波基的扩张意味着一小时函数投影到二维时间尺度相平面。由于小波的基本身体的特点,小波变换的函数投影是有利于提取一些特征。

因为不变的窗口和当地的优秀特点分析,EEG信号的特点,在不同的频率可以通过小波变换分析了在不同的时间尺度。

3.3。FM + LSTM模型施工方法

分类和预测系统,它是非常重要的学习真正的眼睛背后的脑电图特征组合状态。从脑电图特征提取中,低阶组合特性(包括一维、二维特性数据)或高阶组合特性(多维特性数据)可能会影响最终的分类和预测结果。考虑到传统的分类方法的缺点,它包括以下几点:(1)决策树模型很容易导致过度拟合,而忽略了数据之间的相关性(2)随机森林模型时容易过度拟合数据噪音很大(3)逻辑回归模型不能结合的特性,取决于人工特性组合(4)支持向量机模型的预测过程取决于训练样本的支持向量

我们可以看到,传统的分类算法不能完成分类任务,因此,我们在本文中使用调频。分解机模型提取特征组合通过隐式变量内积的一维特性,可以提取合并后的积极功能,保持独立于训练样本但不依赖于支持向量,并将不容易受到噪音的影响数据,出现过度拟合现象。然而,从理论上讲,调频可以模型高阶特征组合;事实上,只使用二阶特性组合由于计算的复杂性。在本文中,我们解决问题的高阶特征组合的多层神经网络可以学习复杂的非线性关系。我们进一步用LSTM, RNN的一种变体。LSTM包含传统神经网络的特征是由输入层、隐层和输出层。LSTM也继承了所有RNN的优点。它可以通过反向传播调整参数。此外,LSTM可以隐层的神经元相互通信,建立特征数据之间的联系。 Not only that, the LSTM also solves the problem that the circulating neural network is prone to gradient explosion. Therefore, the LSTM contains the advantages of many neural networks, and its performance has been improved. And it also has a good performance in the classification problem.

基于调频模式的优点和LSTM,我们构建FM + LSTM模型的基础上DeepFM [28)模式来解决分类问题。它有效地结合了调频和LSTM特征学习的优点:它可以提取低阶组合特性和高阶同时结合特性。在调频+ LSTM模型中,我们使用并行的方法来构建深度分解机模型。通过深度分解机模型,一方面,调频可以用来提取特征的一阶和二阶特征的组合对一阶功能;另一方面,LSTM可以用来提取特征的高阶特性是由输入一阶特性。具体来说,FM + LSTM模型包括的特点(1)能够处理稀疏数据(2)结合调频模型和LSTM模型,学习低阶特征组合和高阶功能组合在同一时间

总之,我们解释了原则的FM + LSTM模型和模型的优势。接下来,我们将展示模型的数学原理。

首先,我们使用调频(29日]。算法的二阶表达式所示 在哪里代表了特征维数,代表第一个特性的特征值,和是主要的项和二次项的系数分解机的模型,分别。一个对称矩阵由所有的参数吗二次项。在这个时候,矩阵可以分解为以下形式: ,在哪里th列是相应的向量表达式th特性,这一次,二次项的系数可以表示为两个向量的内积,即 。在这种情况下,二阶模型的表达式所示 在哪里的矢量表达式th特性 ,维 ,和 向量的点积。此时,二次项的系数和不再是独立的。具体来说,系数和是< , >和< , >,有相同的术语 。然后,所有的样品与非零功能的组合可以用来学习 。

LSTM模型(32),输出由忘记门,控制输入通道和输出通道。忘记门是用来确定哪些信息被丢弃的电池状态,和衰减系数计算公式所示(6)。读和 ,和输出值在0和1之间,每个数字在细胞加载 。这决定了我们丢弃从细胞的状态信息。自乙状结肠的输出是0到1,1表示“全预约”和0表示“完全放弃”:

在上面的公式中,重量值,是输入数据的数量,的范围是 , 是输入数据,输出的结果吗神经元,偏差值,是乙状结肠激活函数,定义为所示是哪一个

使用输入门决定什么值我们要更新。然后,双曲正切层创建一个新的候选向量。计算公式如下:

在上面的公式中,是乙状结肠激活函数,和重量值,和偏差值,是激活函数。它的定义是所示

当更新旧的细胞状态,是更新的 。计算公式所示

使用输出门决定价值的输出。此时的输出是根据计算第三部分的状态。所示的计算过程

在上面的公式中,是乙状结肠激活函数,重量值,偏差值。

每个神经元的输出结果可以通过上面的步骤。最后,神经元的输出结果(th)的作用下可以获得输出和传输不同周期的单位:

在上面的公式中,是乙状结肠激活函数,重量值,偏差值。

最后,我们结合调频和LSTM得到预测的输出结果所示

我们使用logloss深度因素分解机的损失函数模型构建,然后使用梯度优化算法调整参数,最后得到最优参数。

我们引入了深度因素分解机模型的数学原理。接下来,我们将展示建筑的整体流程图FM + LSTM模型,如图3。

4所示。实验和执行结果

4.1。分类预测

在分类和预测的任务,我们比较模型的影响本文使用以下基准模型。(1)决策树算法(DT)(37]。它是一种逼近离散函数的值的方法,这是一种典型的分类方法。首先,数据处理,通过使用生成可读的规则和决策树归纳算法,然后分析了新数据通过使用决定。从本质上说,决策树是一个数据分类的过程通过一系列的规则。(2)随机森林算法(RF)(38]。随机森林是一个集成了多个树的算法通过集成学习的想法。它的基本单位是决策树,其本质属于一个大的分支机learning-ensemble学习方法。(3)逻辑回归算法(LR)(39]。它是用来解决回归问题时,因变量是分类变量。常见的问题是二项或二项分布问题。它还可以处理multiclassification问题。事实上,它属于一个分类方法。(4)支持向量机(40]。SVM发现一个超平面将数据划分为一个类和其他类,这是一个两级分类模型。分离的时间间隔是最大的和不同的感知器。

4.2。预测计划

为了评估分类的预测效率预测任务,我们使用共同的评价指标:准确性、精度、召回和F1-measure。具体来说,准确的定义,精确,召回,F1-measure如下(26]:

TP是正确的数量公认的闭上眼睛,FP是错误的数量公认的闭上眼睛,TN的数量正确认识到睁开眼睛,和FN的数量不正确认识睁开眼睛。准确率是比例数量的样本正确分类的分类器在给定的样本总数测试数据集,准确性是正确预测样本的数量的比率在所有预测,召回率是积极正确地预测样本在所有实际预测比例,F1-measure是调和平均数的确切价值和召回率。这四个评价方案帮助我们比较不同分类的效率模型的脑电图数据集眼行为预测,和四种评价方法的结果越大,越接近实际情况的预测结果。

本文的准确性、精密,召回率,和F1-measure用于评估不同模型的预测效率。他们都是经典的评价方法适合眼睛的二进制预测行为(打开和关闭眼)分类预测基于EEG数据。其中,准确的数量的比例是样本正确分类的分类器在给定的样本总数测试数据集,精度准确预测样本的数量的比例作为积极的预测,召回率是正确预测样本的比例,积极在所有实际预测,和F1-measure调和平均数的精度和召回率。这四个评价方案帮助我们比较不同的分类模型的效率在脑电图目光行为预测数据集关系,和四种评价方法的结果越大,越接近实际情况的预测结果。

4.3。分类预测结果的比较

下表的分类预测性能模型用于本文EEG_EYE数据集和其他基准模型,并具体结果如表所示1。

如表所示1,我们解决各种分类器的分类和预测结果脑电图数据集。为了比较各种分类器模型的效果更直观,我们画了一个直方图如图4。

在传统的分类预测模型、逻辑回归模型的优点容易使用和理解,但不能提取的缺点结合特点积极;决策树模型对缺失值不敏感的优点,不能够处理数据类型和传统的类型属性同时但antioverfitting能力较低的缺点,容易被噪声数据;随机森林模型的优点antioverfitting能力强和平衡错误,但也容易受到噪声数据的干扰;支持向量机模型的优势找到全局最小值通过凸优化方法,但它的缺点是过于依赖支持向量和处理大规模训练数据;因式分解模型具有较高的学习效率和处理大规模稀疏数据,但它的缺点是只提取二阶特性组合;LSTM模型具有处理大规模稀疏数据和长序列依赖的解决这个问题,但是它只能提取高阶功能组合,不能结合高阶与低阶的功能特性。

具体来说,通过结合的分类结果表1和图2,我们可以得到以下结论:(1)EEG_EYE测试集的数据,总体分解机模型的分类效果优于逻辑回归模型和支持向量机模型;这表明分解模型的特征提取相结合的积极功能和保持独立于训练样本的特点,这使得它比上面的逻辑回归模型和支持向量机模型的分类和预测结果(2)EEG_EYE测试集的数据,LSTM的整体分类效果优于决策树模型和随机森林模型,表明LSTM没有严重的过度拟合线性测试集由于噪声干扰,因此,分类和预测效果优于其他两种分类模型(3)EEG_EYE测试集的数据,模型的FM + LSTM比其他模型的分类和预测。这是因为低阶模型可以提取结合特性和高阶组合特性同时,占劣势的LSTM只能提取高阶特性组合

总之,FM + LSTM模型建立了我们不仅可以提取结合特性积极还减少噪声干扰的模拟。此外,它还可以提取两个低阶结合特性和高阶综合功能;因此,其性能优于其它模型。

5。未来的工作

在本文中,我们建立了一个FM + LSTM模型来预测眼睛行为(打开或关闭眼睛)的用户通过脑电图数据,以推断用户是否处于疲劳状态。仿真结果表明,该方法取得了良好的分类和预测结果。这项工作是我们的直接意义可以判断用户是否处于疲劳状态通过脑电图数据。此外,疲劳状态也是推荐系统中的用户的一个重要特性,它可以影响用户的偏好和评价的项目。因此,在未来的工作中,首先,我们计划进一步研究用户的偏好和评价不同项目的基础上,提出研究成果的眼睛的疲劳状态是一个重要的特性因素相关的背景下,以提高推荐的效率。第二,我们计划使用注意力机制区分各种特性对眼睛的影响行为,以提高预测分类结果的可解释性。此外,基于本文的研究结果,我们计划进一步使用图形神经网络模型来研究不同功能之间的复杂的相互作用更灵活和更明确的方式,以便获得更有效和更准确的推荐结果。

6。结论

本文的目的是预测眼睛状态(开启和关闭眼)通过脑电图数据,这是一个典型的两个问题。这个研究的意义是诊断疲劳,眼睛通过检测眼睛的健康状态很长一段时间。和本研究的基础上,我们也可以推断出人体的疲劳程度通过监测人体的眼睛状态很长一段时间,这样我们就能帮助用户行为推荐基于这个推论。首先,我们利用小波变换技术提取脑电图的特点,然后,我们使用一个分类器进行分类和预测。因为传统的二进制分类在一些方面有许多缺点,及其性能差,我们使用调频算法广泛应用于推荐系统的点击率预测和二进制分类算法。此外,我们也使用LSTM,深网络模型具有良好的泛化能力和非线性映射能力。根据集成学习的概念,指的是DeepFM [28)模型(一个高效的预测模型,推荐系统的点击率),我们整合调频和LSTM并行和构建FM + LSTM模型,结合调频的优点和LSTM适合眼睛的两个分类的问题状态。和它的性能在真实数据集比其他分类器模型。通过这项研究,我们也可以推断出人体的疲劳程度通过监测人体的眼睛状态很长一段时间,这样我们就能帮助用户行为的建议基于这一推断,这将是我们的下一个研究的重点。摘要FM + LSTM模型建立了解决眼部的问题行为分类和预测。本文所得的结论将是一个重要的因素在确定用户首选项的推荐系统,这将用于分析图形交互式功能的神经网络在未来的工作。

数据可用性

在这个实验中使用的数据集是由奥利弗rothler收集从德国斯图加特,巴登符腾堡州合作大学(DHBW)。脑电图值的数据集是由眼睛和一个值表示状态,属于生命医学领域。所有的数据是连续的结果与Emotiv脑电图测量。测量持续时间是117秒。脑电图测量期间,眼睛状态检测到摄像头,然后手动添加到文件在分析视频帧。“1”意味着闭着眼睛,“0”意味着眼睛是开放的。关于数据的更多信息,请访问:http://archive.ics.uci.edu/ml/datasets/EEG +眼+状态。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作支持部分由中国国家自然科学基金(61702292和61702292),国际合作项目的关键教授2017年由教育部的山东齐鲁大学科技(山东科学院)年轻的医生合作资金(2017 bsh2012)。

引用

1. m·科恩x”脑电图是从哪里来的,这是什么意思?”神经科学的趋势,40卷,不。4、208 - 218年,2017页。视图:出版商的网站|谷歌学术搜索
2. a . Gevins“汉斯·伯杰是正确的:我学会了思考从脑电图在过去的二十年里,”脑电图与临床神经生理学,卷103,不。1,5 - 6,1997页。视图:出版商的网站|谷歌学术搜索
3. a . m . Coenen”神经活动基本半睡半醒的脑电图、诱发电位:对信息处理的影响,“神经科学和生物行为的评论,19卷,不。3、447 - 463年,1995页。视图:出版商的网站|谷歌学术搜索
4. k·e·克罗利和i . m . Colrain”回顾P2的证据作为一个独立的组件流程:年龄、睡眠和形态,”临床神经生理学,卷115,不。4、732 - 744年,2004页。视图:出版商的网站|谷歌学术搜索
5. 郑胜耀曾r·c·陈f . c .庄和t . s .郭”的评价参数在EEG信号分析方法,”医学工程学和物理学,17卷,不。1,第78 - 71页,1995。视图:出版商的网站|谷歌学术搜索
6. 王p . x和z . j .张,“研究癫痫痈特征波的EEG信号的识别算法在小波变换下,”信息和计算机(理论版)65年,页63 - 2017年中国光学学会。视图:谷歌学术搜索
7. m z伊卜拉欣- p .萨阿德,艾哈迈德,”的调查分析和分类EEG信号的脑-机接口”2015年第二届国际生物医学工程(ICoBE) IEEE会议上2015年3月,马来西亚槟城。视图:出版商的网站|谷歌学术搜索
8. s . Motamedi-Fakhr m . Moshrefi-Torbati m·希尔,c·m·希尔和p . r .白色,“信号处理技术应用于人类睡眠脑电图信号审查,”生物医学信号处理和控制,10卷,21-33,2014页。视图:出版商的网站|谷歌学术搜索
9. n . r . Tambe和a . Khachane”情绪的基础学习使用脑电图,”2016年国际会议上计算通信控制和自动化IEEE (ICCUBEA)2016年8月,印度浦那。视图:出版商的网站|谷歌学术搜索
10. 黄r . m . s . h . Du z陈y, z,和y周”模式识别癫痫和痈脑电图基于支持向量机,”生物医学工程杂志,30卷,不。5,919 - 924年,2013页。视图:谷歌学术搜索
11. m . Xi和g·h·朱”,多尺度排列及其应用在癫痫和痈攻击识别中,“生物医学工程杂志,32卷,不。4、751 - 756年,2015页。视图:谷歌学术搜索
12. 问:吴邦国委员长和w·w . Yu”将HMM-based司机疲劳识别模型集成到智能车辆空间无处不在的计算,”主要工程材料卷,467 - 469年23-30,2011页。视图:出版商的网站|谷歌学术搜索
13. l . m . Bergasa j .新m . a . Sotelo r·巴里亚和m·e·洛佩兹,“司机警惕的实时监控系统,”IEEE智能交通系统,7卷,不。1,第77 - 63页,2006。视图:出版商的网站|谷歌学术搜索
14. p h .鹅,n . s .马歇尔。詹姆斯,和l . l . Quesne”的调查在卡车司机疲劳崩溃:试验系统的方法,”交通运输研究F部分:心理学和行为,9卷,不。1,第76 - 65页,2006。视图:出版商的网站|谷歌学术搜索
15. 崔j . w .爆炸,j·s·e·c·李,k . r .公园,和m .重击”EEG信号的降噪基于头部运动估计利用额查看相机,“传感器信,10卷,不。5,1241 - 1246年,2012页。视图:出版商的网站|谷歌学术搜索
16. 燕,j .问:魏和黄懿慧吴”,研究特征提取脑电波的司机的昏昏欲睡的状态,”中国生物医学工程杂志》上,24卷,不。1,第113 - 110页,2005。视图:谷歌学术搜索
17. 吴x y s h . Wang和y·d·张,“k最近邻算法的理论和应用,概述”计算机工程与应用,53卷,不。21日,1 - 7,2017页。视图:谷歌学术搜索
18. p . Soucy和g . w . Mineau公司”,一个简单的资讯文本分类的算法,”一个简单的资讯文本分类算法美国加利福尼亚州圣何塞,美国2月。2001年。视图:出版商的网站|谷歌学术搜索
19. k·墨菲,b . van Ginneken A . m . Schilham b . j . de箍h·A·Gietema和m . h神”大规模评估肺结节自动检测在胸部CT使用本地图像特征和k-nearest-neighbour分类,“医学图像分析,13卷,不。5,757 - 770年,2009页。视图:出版商的网站|谷歌学术搜索
20. f . Tahernezhad-Javazm诉Azimirad, m . Shoaran”检查和试验研究应用程序因为它使得基于脑电图分类和进化算法的脑机接口系统,”《神经工程,15卷,不。2,p。021007年,2018年。视图:出版商的网站|谷歌学术搜索
21. j•马查多和a . Balbinot”执行运动使用脑电图信号通过一个天真,贝叶斯分类器,”机器,5卷,不。4、1082 - 1105年,2014页。视图:出版商的网站|谷歌学术搜索
22. r . m . Mehmood r·杜和h·j·李,最优特征选择和深度学习方法从人类大脑情感识别脑电图传感器,2017年IEEE访问。
23. p . Dande和p . Samant熟人人工神经网络和人工智能的使用作为结核病的诊断工具:复习一下,”肺结核卷,108 - 2018页。视图:出版商的网站|谷歌学术搜索
24. t·金姆和j .难应付的“局部线性判别分析对多通道分布式类用单个模型进行人脸识别形象,“IEEE模式分析与机器智能,27卷,不。3、318 - 327年,2005页。视图:出版商的网站|谷歌学术搜索
25. y陆、江h和w·刘,“回顾脑电图信号分类器基于深度学习,”信息科学学报》和云计算- PoS(2017年ISCC),广州,中国,2018年3月。视图:出版商的网站|谷歌学术搜索
26. z h .周机器学习,清华大学出版社,北京,2016。
27. l . f . Nicolas-Alonso和j . Gomez-Gil“人脑计算机接口、审查”传感器,12卷,不。2、1211 - 1279年,2012页。视图:出版商的网站|谷歌学术搜索
28. h .郭r . TANG y, z . Li和x,他“DeepFM: factorization-machine CTR预测神经网络为基础,”学报》26日国际联合会议上人工智能,墨尔本,澳大利亚,2017年。视图:出版商的网站|谷歌学术搜索
29. s . Rendle“分解机器,”IEEE国际数据挖掘IEEE会议悉尼新南威尔士,澳大利亚,2010年12月。视图:出版商的网站|谷歌学术搜索
30. b·萨瓦尔g . Karypis j . Konstan和j·雷德尔降维在推荐系统中的应用案例研究明尼阿波利斯,明尼苏达州大学计算机科学部门,2000年。视图:出版商的网站
31. d . e . Rumelhart、g·e·辛顿和r . j·威廉姆斯,“学习back-propagating错误的陈述,”自然,卷323,不。6088年,第536 - 533页,1986年。视图:出版商的网站|谷歌学术搜索
32. ,的Hochreiter和j。施密德胡贝尔表示“长短期记忆。”神经计算,9卷,不。8,1735 - 1780年,1997页。视图:出版商的网站|谷歌学术搜索
33. t . Wang”Multi-focus嘈杂的图像融合算法,”光学与精密工程,19卷,不。12日,第2984 - 2977页,2011年。视图:出版商的网站|谷歌学术搜索
34. c . l .甄随机噪声抑制的基于小波变换的地震信号,东华理工大学,2018。
35. j . Morlet g·阿伦斯,大肠Fourgeau, d . Giard”第二波传播和抽样理论部分:抽样理论和复杂的波,“地球物理学卷,47号2、222 - 236年,1982页。视图:出版商的网站|谷歌学术搜索
36. a Grossmann和j . Morlet”哈代功能分解成平方可积小波的形状不变,“暹罗在数学分析》杂志上,15卷,不。4、723 - 736年,1984页。视图:出版商的网站|谷歌学术搜索
37. j . Zhang和j·曹”,决策树算法对于大数据分析,“计算机科学,43卷,不。S1, 374 - 379年,2016页。视图:谷歌学术搜索
38. s . h .张、刘j . x和l . f .香港“闭塞检测基于深度图像使用随机森林,”视神经节学报,34卷,不。9日,第208 - 197页,2014年。视图:谷歌学术搜索
39. p . Komarek逻辑回归对数据挖掘和高维分类,29-36,2004页。
40. s . f .叮,b . j . Qi和h . Tan“对支持向量机理论和算法,”电子科技大学学报,40卷,不。1,2 - 10,2011页。视图:谷歌学术搜索

版权

版权©2020 Pengcheng马高和钱。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。