基于双幅值/相位处理的节点PDE模块化模型中的自我专注度检测

《Biomimetics》:Self-Concentration Detection Based on Doubled Amplitude/Phase Processing in Node PDE Modular Models

【字体: 大 中 小 】 时间:2026年09月23日 来源:Biomimetics 4.2

编辑推荐:

  可靠的脑序列案例分类因信号模糊性和噪声而颇具挑战性。个人专注度主要由脑电图(EEG)波的基础频率决定,即该任务有赖于对相应人类(非)活动(如阅读、放松、解答数学问题等)模式进行恰当的建模与识别。在复数扩展的节点中,五种基础频率类型(alpha、beta、gam

  
可靠的脑序列案例分类因信号模糊性和噪声而颇具挑战性。个人专注度主要由脑电图(EEG)波的基础频率决定,即该任务有赖于对相应人类(非)活动(如阅读、放松、解答数学问题等)模式进行恰当的建模与识别。在复数扩展的节点中,五种基础频率类型(alpha、beta、gamma、delta和theta)被视为处理信号中主幅值的次级输入波参数。自优化人工智能(AI)方法能够处理、统计分析和建模序列特有的特征及时间行为,以识别未经训练的会话分配标签。该流程涉及信号预处理(变换)和特征提取,以增强时间变异性表征、消除不确定案例,并缩减详细频带记录中不可接受的大体量原始数据格式。本研究聚焦于通过脑启发式双幅值/频率信号处理来改进AI建模。这一扩展概念基于与神经活动的类比,即神经活动生成动态频率脉冲作为响应时间激发的主要信息载体。该模型在偏微分方程(PDE)解的进化树结构节点——自计算项中获取,采用最优正弦/余弦或有理表达式。它能够以与主波特征相关的内在形式表征周期模式。研究比较了两种不同的机器学习方法:第一种进化PDE变换和基于深度学习的循环处理应用于全部会话记录的整体处理,仅评估一个最终类别判定,在未经训练的1/3数据上实现了超过90%的预测准确率。第二种常规建模技术组分别评估每行数据,以在时滞框架中计算其绑定标签输出,准确率达到70%以上。研究提供了可执行的参数化软件,并附有公共EEG数据仓库链接。

论文解读:基于双幅值/相位处理的节点PDE模块化模型中的自我专注度检测

一、研究背景与问题

脑电图(EEG)信号作为非侵入性识别和建模多种情绪心智状态(如放松、解题、阅读、想象等)的基础信息源,在情感计算、脑机接口(BCI)、医疗健康、安全监控及教育应用等领域具有不可替代的价值。然而,EEG信号具有高度非平稳性和多通道特性,原始形态下难以分析、建模或解释。不同情绪状态下记录的EEG时间信号往往表现出极为相似的振荡行为,且可能被错误标注或归入不正确的类别,这从根本上限制了模型在不同受试者特征间的泛化能力。个人专注度是一种增强的神经生理激活状态,其特征是通过抑制外部和内部干扰,将认知注意力有意地对齐到特定任务上。专注度水平代表持续选择性注意的高/低强度心智状态,在真实环境中具有高度动态性、波动性和资源密集性。
当前面临的核心挑战包括:EEG信号固有的模糊性和噪声干扰;个体间认知事件特征的高度变异性;传统浅层神经网络(NN)结构难以有效处理全频带宽度的海量EEG数据;长短期记忆(LSTM)网络虽能捕获序列数据中的长期依赖关系,但存在长时间序列模型依赖、计算模糊性以及时间、频率和空间域发展能力受限等问题。此外,自标注评分与客观认知负荷指标之间的映射关系复杂,依赖多种个体技能,使得精准的专注度识别成为一项困难任务。

二、研究内容与结论

针对上述问题,本研究提出了一种新颖的差分学习(DfL)方法,采用标准幅值和额外频率EEG信号数据的双配对节点输入形式,构建模块化自进化架构。该架构类似于自组织神经结构,产生部分自主的计算组件,即节点确定的PDE周期/有理解之和。这一概念将常规单值幅值数据处理扩展为带约束频率特征的复合处理,类比脑脉冲运行动力学,更好地以内在相位形式反映信号周期性。研究比较了两种关键方法:第一种序列到整会话方法对比了PDE变换组件模型(由二项树结构生成)与循环LSTM单元处理序列输入,最终预测对应整个会话的单一标签输出;第二种序列到序列分类器为每个EEG数据行分配独立输出标签,关联前序序列的滞后输入。研究结果表明,第一种方法在未经训练的1/3数据上实现了超过90%的预测准确率,第二种方法达到70%以上的准确率,验证了DfL方法在EEG心智状态识别中的有效性。

三、关键技术方法

研究人员采用了多种技术方法开展实验。数据采集使用Muse 2家用头带(4通道:TP9、AF7、AF8、TP10,参考电极Fpz),以256Hz采样率和12位采样深度记录五个频段(alpha、beta、gamma、delta、theta)的EEG数据,原始数据仓库包含80个Excel文件,合并后共7243行、69个连续记录会话、22列(含时间戳和类别标签)。核心方法包括:差分计算网络(DCN),一种结合机器学习原理与算子微积分(OC)数值程序的新型混合神经自适应/代数技术,通过逐步进化的树结构求解节点定义的PDE;基于LSTM的深度学习方法(DLC),采用双向LSTM层(120个隐藏单元)处理序列数据;MATLAB分类学习器应用(CLA),涵盖决策树、集成方法、判别分析、支持向量机(SVM)、逻辑回归、最近邻、朴素贝叶斯等多种分类器;浅层神经网络(SNN),两层前馈结构。DCN方法创新性地将幅值和相位输入对以双倍形式处理,在节点输出中分别加权/组合,并在适用的子PDE解中联合处理。

四、研究结果

差分计算网络(DCN)结果:DCN在第二种逐行序列评估方法中,50-50%数据划分下预测精度为70.0%,2/3-1/3数据划分下为73.4%。DCN通过节点逐次添加形成二项树结构,将n变量一般PDE分解为确定的节点PDE集合,采用有理、周期或幂次OC替换函数组成适用的子PDE和组件。DCN模型在两种策略(整会话识别和逐行序列识别)中均表现最为成功。
深度学习LSTM(DLC)结果:DLC在整会话识别中,不使用数据排序时,50-50%数据划分(50轮训练、35个会话)预测精度为77.14%,2/3-1/3划分(150轮、22个会话)为81.82%;使用排序后分别为74.29%和77.27%。DLC在训练中获得了超过90%的验证精度,但LSTM时间处理在计算下一单元状态时存在不确定性,可能导致最终输出波动。数据排序虽提高了计算稳定性和适应性,但以预测精度明显下降为代价。
分类学习器应用(CLA)结果:最成功的CLA模型为集成装袋树(EBT),验证精度88.5%,预测精度66.1%(50-50%划分,5折交叉验证)。特征选择算法(MRMR、Chi2、ReliefF、Anova等)和主成分分析(PCA)未改善CLA建模效果,可能因EEG数据维度较低(20个幅值输入)。EBT模型较低的泛化能力可能源于较高的训练精度,可通过限制弱树学习器生长、控制每叶袋装观测最小数量等策略部分改善。
浅层神经网络(SNN)结果:SNN预测精度仅为52%(50-50%划分),交叉熵/误差:训练=0.586/0.345,验证=0.589/0.330。标准两层前馈SNN架构无法获得较高预测精度,多种改进尝试(网络架构、隐藏层大小、学习参数、适应方法等)均未产生更好的分类结果,可能原因包括数据记录数量有限和架构能力不足。

五、讨论与结论

研究讨论指出,基于LSTM门控更新的循环DLC策略比常规逐行分类方法能更好地消除复杂EEG信号动态中的模糊性,但LSTM时间处理在计算下一单元状态时存在不确定性。EBT模型较低的泛化能力可能源于较高的训练精度,可通过限制弱树学习器生长等策略部分改善。SNN模型因架构限制和数据量有限未能获得理想结果。DCN方法通过双倍幅值/相位处理、周期PDE节点转换和逐步模型扩展,有效提升了EEG模式识别的准确性和鲁棒性。研究提供了可执行的参数化软件及公共EEG数据仓库链接,为后续研究提供了可复现的实验基础。研究结论表明,基于双幅值/相位处理的节点PDE模块化模型能够有效识别自我专注度状态,在整会话识别策略中达到90%以上的预测准确率,为EEG心智状态识别提供了新的方法论参考。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号