Araştırma makalesi

SET Net: Beyin Bilgisayar Arayüzü Uygulamalarında EEG Tabanlı Dikkat Gevşeme Sınıflandırması İçin Hibrit Derin Öğrenme Çerçevesi

DOI:

10.3791/70700

⸱

29 Mayıs 2026

 ,  ,  ,  , 
1Department of Computer Science Engineering, SR University, 2Department of Computer Science Engineering, Samara University, 3Department of Electronics and Communication Engineering, S.E.A College of Engineering and Technology, 4Department of Computer Science Engineering, Gokaraju Lailavathi Engineering College

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu makale, Beyin Bilgisayar Arayüzü (BCI) uygulamalarında kullanılacak ve EEG tabanlı dikkat ve gevşeme durumlarını %93,7 doğruluk ve yüksek genelleme ile spektrogram özellikleri kullanarak dikkat ve gevşeme durumlarını tanımlayan hibrit bir CNN-Transformatör ağını (SET-Net) sunmaktadır.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Beyin Bilgisayar Arayüzü (BCI) teknolojisi, insan beyni ile dış çevre arasında doğrudan iletişim kanalı sağlamak için bir araç olarak kullanılır. Bu, yardımcı ve etkileşimli sistemlerde uygulamaları vardır. Elektroensefalografi (EEG) ile invaziv olmayan sinirsel aktivite edinimi BCI sistemlerinde standarttır. Ancak, dikkat ve rahatlama dahil bilişsel durumları etkili bir şekilde sınıflandırmak zordur çünkü EEG sinyali durağan değildir ve gürültülüdür. Bu eksiklikleri aşmak için, bu çalışma yeni bir hibrit derin öğrenme mimarisi öneriyor: sıkıştırma ve uyarma (SE) transformatör ağı (SET-Net). Bu yöntemde, EEG sinyalleri önceden işlenir ve anlamlı spektrogram temsillerini analiz etmek için zamansal pencerelere ayrılır. Önerilen model, %93,7 sınıflandırma doğruluğu elde eder; F1 puanı 0,93 ve ROC-AUC 0,98'dir. Bu, EEG tabanlı dikkat-gevşeme durumunun ayrımcılığını artıran hibrit derin öğrenme modelinin etkinliğini gösterir. Bu, insan-bilgisayar etkileşiminde yardımcı teknoloji olarak gerçek zamanlı BCI uygulamaları için ölçeklenebilir bir sistem sunar.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Beyin–Bilgisayar Arayüzleri (BCI'lar), insan beyni ile harici cihazların geleneksel nöromüsküler bağlantılar kullanmadan doğrudan iletişim kurmasını sağlayan yıkıcı bir teknoloji haline gelmiştir. Elektroensefalografi (EEG), invaziv olmayan doğası, taşınabilirliği ve maliyet etkinliği nedeniyle en yaygın ve yaygın kullanılantekniktir. EEG tabanlı BCI'lar, sağlık hizmetlerinde ve nörolojik engelli bireyler için nörorehabilitasyon, oyun ve yardımcı teknolojilerde beyin aktivitesiniinceleyerek kullanılmıştır 2. En önemli uygulamalardan biri, dikkat ve rahatlama dahil bilişsel durumların tanımlanmasıdır; bu durum, uyarlanabilir insan-bilgisayar arayüzleri ve dijital erişilebilirlik oluşturmak için kullanılabilir. Düşük sinyal-gürültü oranı, büyük konular arası değişkenlik ve dikkat ile gevşeme durumları arasında karmaşık zaman dinamikleri; bunlar EEG kullanılarak yorumlanır; bu nedenle, dikkat ve gevşeme durumlarını EEG kullanarak sınıflandırmakzordur 4. Destek vektör makinesi (SVM) ve rastgele orman gibi klasik makine öğrenimi modelleri orta düzeyde performans göstermiştir; ancak genellikle özellik mühendisliğine dayanırlar çünkü EEG5'in mekansal-spektral-zamansal karmaşıklığını tam olarak kullanmazlar. Derin öğrenmedeki son gelişmeler, özellikle konvolüsyon sinir ağı (CNN) ve transformator, otomatik özellik çıkarımı ve EEG sinyallerinin güçlü sınıflandırılması için yeni fırsatlarsunmuştur 6.

EEG tabanlı BCI sistemleri, bilişsel durum izleme, nörorehabilitasyon ve etkileşimli sistemlerde bir araç olarak uzun süredir kapsamlı şekilde incelenmiştir. Zihinsel durumun tanımı, örneğin gevşeme ve dikkat durumları gibi en kritik zorluklardan biridir. Buna yanıt olarak, bilim insanları standart özellik mühendisliği ve gelişmiş derin öğrenme modelleri gibi çeşitli çözümler göstermiştir. Klasik makine öğrenimi yaklaşımları öncelikle zaman, frekans veya zaman-frekans uzayında manuel olarak tasarlanmış özelliklere dayanır. EEG tabanlı dikkat–gevşeme sınıflandırmasının SET-Net sisteminin bir parçası olarak hibrit derin öğrenme algoritmaları üzerine yapılan araştırmalar, gerçek dünyada kullanılabilecek BCI sistemlerini potansiyel olarak geliştirebileceği için önemli bilimsel bir yön olarak bulunmuştur7,8. Konvolüsyon sinir ağları (CNN'ler), tekrarlayan sinir ağları (RNN'ler) ve transformatörler dahil olmak üzere derin öğrenme modelleri, son on yılda EEG sinyal kodlamasında önemli ilerlemeler kaydetmiştir9,10. Bu gelişmeler, nörorehabilitasyon ve yardımcı teknolojiler için bilişsel durumlar için arzu edilen bilişsel durumların daha iyi ve verimli çözülmesine yol açmıştır11,12. BCI sistemlerinin artan popülaritesi, sınıflandırmanın doğruluğunu artırmanın uygulamalı önemini vurgular ve son sonuçlar, sınıflandırmanın motor görüntüleme ve dikkat faaliyetlerinde %85'ten fazla bir oran olabileceğini göstermiştir13,14. Buna rağmen, çeşitli ve gürültülü ortamlarda güçlü gerçek zamanlı sınıflandırmalar elde etme zorlukları hâlâ devam ediyor15,16. Bu çalışmada ele alınan temel sorun, özellikle SET-Net mimarisindeki hibrit derin öğrenme içeren EEG tabanlı dikkat–gevşetme sınıflandırma modellerinin hassasiyeti ve dışsal geçerliliğidir17,18, sınırlıdır. Mevcut yöntemler genellikle konular arası değişkenlik, düşük sinyal gürültüsü ve uzaylı-zamansal özelliklerin kötü kullanımı sorunlarıyla ilişkilidir19,20,21. Konvolüsyonel özellik çıkarımına yönelik yöntemler varken, dikkat veya transformatör mimarisine yönelik yöntemler vardır; bu da en iyi model tasarımı hakkında çeşitli görüşlere yol açar22,23,24. Ayrıca, EEG modelleri büyük açıklamalı veri setlerinin mevcut olmaması nedeniyle kolayca eğitilip gerekçelendirilemiyor25,26. Bu bilgi eksikliği, BCI'ların gerçek yaşam koşullarında kullanımını kısıtlar; bu da esnek ve kesin olmak açısından en önemlisidir 27,28. Bu, teorik olarak hibrit derin öğrenme modelleri kullanılarak mekansal, zamansal ve dikkat temelli özellik çıkarımı karışımı üzerine kurulmuştur29,30,31. Bu kombinasyon, yerel özellikleri çıkarmak için konvolüsyon katmanlar ve küresel bağımlılıkları öğrenmek için öz-dikkat mekanizmaları aracılığıyla elde edilen SET-Net çerçevesinde görülür32. Bu sinerji, EEG sinyallerinin temsilini artırır ve rahatlama ve dikkat durumlarının daha iyi sınıflandırılmasına uygulanabilir. Teori, çok ölçekli uzaylı-zamansal özellikler ve alan uyum teknikleri kullanılarak EEG sinyalleri ve gürültünün değişkenliğinin ortadan kaldırılabileceği gerçeğiyle başlatılır33. Sistematik derleme, EEG tabanlı dikkat–gevşeme sınıflandırmasının SET-Net mimarisindeki hibrit derin öğrenme yöntemlerinin doğruluğu ve pratik uygulamasındaki teorik ilerlemeyi eleştirel bir şekilde incelemeye odaklanmaktadır34. Bu inceleme, en son gelişmelerin sentezi ve yöntemlerin güçlü ve sınırlamalarının belirlenmesiyle gelecekteki deneylerde daha iyi, daha yorumlanabilir ve genelleştirilebilir bir BCI sisteminin oluşturulmasına rehberlik etmek için kullanılacaktır. Bu tür boşluklar, BCI'nın gerçek dünya uygulamalarının gelecekte geliştirilmesine yardımcı olacak ve bu da sistemin kullanıcı ve güvenilirliğini artıracaktır. Derleme, EEG dikkat–gevşemasyon sınıflandırmasında hipr derin öğrenme modellerine bağlı olarak haklı makalelerin uygulandığı geniş bir literatür incelemesi yaklaşımı uyguladı34. Dahil etme kriterleri, SET-Net veya benzeri sistemler çerçevesinde konvolüsyonel, tekrarlayan ve dikkat temelli mimarilerdeki son eğilimlere odaklanır35. Analitik modeller, model tasarımlarını, özellik seçim algoritmalarını, sınıflandırma doğruluğunu ve gerçek dünya ortamında uygulanabilirliği değerlendirir. Bulgular, teori inşası, pratik ve gelecekteki araştırma fırsatlarını açıklamak için düzenlenmiştir.

Son gelişmelere rağmen, mevcut yöntemler tek kanallı EEG sinyallerinde mekânsalsal, spektral ve uzun menzilli zamansal bağımlılıkları aynı anda yakalamakta başarısız olup, dikkat–gevşeme sınıflandırmasında optimal olmayan performansa yol açmaktadır. Ayrıca, mevcut yöntemler elle eklenen özelliklere dayanır veya EEG sinyallerinin sadece birkaç özelliğini dikkate alır; bu nedenle, katılımcılar ve gerçek zamanlı koşullar arasında genellenemezler. Bu nedenle, çok boyutlu EEG özelliklerini yeterince modelleyebilecek ve gerçek zamanlı olarak güçlü ve araştırılabilir birleşik bir çerçeveye ihtiyaç vardır.

Bu dezavantajları aşmak için, bu çalışma hibrit derin öğrenme modeli öneren ve bu modelin Sıkıştırma ve Uyarılma Transformatör Ağı (SET-Net) olarak adlandırıldığını öne sürmektedir. Özellikle, CNN modülü EEG spektrogramlarıyla yerel mekansal-spektral desenleri öğrenir ve el yapımı özellik çıkarma kısıtlamalarını aşmaktadır. SE bloğu, kanal bazında önemi uyarlayarak ve gürültü ile değişkenlik dayanıklılığını artırarak özellik temsilini iyileştirir. Transformatör kodlayıcı, yalnızca CNN modelleriyle sınırlı olmayan uzun menzilli zaman bağımlılıklarını modeller. Ayrıca, zaman-frekans analizi, ayırt edici özelliklerin öğrenilmesini artıran spektrogram tabanlı temsil kullanılarak etkili şekilde gerçekleştirilebilir. Stabil performansı garanti etmek için dengeli eğitim ve sızıntısız doğrulama benimsendi; bu da performansın denekler arasında genelleştirilmesini iyileştirdi.

Ayrıca, önerilen yapı, kategorize edilen bilişsel durumların etkileşimli sistemlerin kontrol komutlarına dönüştürüldüğü gerçek zamanlı bir uygulamada doğrulanır. Bu, modelin yardımcı teknolojiler ve dijital erişilebilirlikte pratik olarak uygulanabilir olduğunu ve BCI'nın pratik uygulamasında potansiyel olarak kullanılabileceğini göstermektedir.

Bu çalışmanın ana başarısı, EEG sinyallerini daha iyi modellemek için konvolüsyon sinir ağları, sıkıştırma ve uyarıma dikkati ile transformatör kodlayıcıları içeren yeni bir SET-Net hibrit mimarisinin tasarımıdır. Ayrıca, EEG sinyallerinin zaman-frekans özelliklerini başarıyla temsil etmek için spektrogram tabanlı bir temsil kullanılmıştır. Önerilen çerçeve, dikkat ve gevşeme bilişsel durumlarının güçlü bir sınıflandırılmasına olanak tanır. Ayrıca, modelin gerçek zamanlı beyin-bilgisayar arayüzü uygulamasında pratik uygulanabilirliği olduğu gösterilmiştir.

Bu makale, beyin aktivitesinin dikkat ve gevşeme sınıflarını BCI sistemlerine uygulanan kategorize eden çalışmaların gözden geçirildiği bölümlere ayrılmıştır. Bu makale, BCI sistemlerinin gelişimiyle ilgili araştırma boşluklarını ve zorluklarını ilk olarak sunacak şekilde yapılandırılmıştır ve ardından EEG sinyal kaydını içeren veri toplama süreci ve metodolojisini sunar. ön işleme ve özellik temsili. Dikkat ve gevşetme aktivitelerinin önemini ve EEG verilerinden anlamlı özellikler çıkarma sürecini tartışır. Bulgular daha sonra nicel ve karşılaştırmalı analizler ile uygulamanın gerçek performansı kullanılarak sunulur ve değerlendirilir. Son bölüm, çalışmanın bulgularını, sınırlamalarını ve gelecekteki çalışma yönlerini tartışır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Çalışma, Helsinki Bildirgesi'ne uygun olarak yürütüldü ve Hindistan, Telangana, Warangal SR Üniversitesi Kurumsal Etik Komitesi tarafından onaylandı (Onay No. 007/2026). Veri toplanmadan önce tüm katılımcılardan yazılı olarak bilgilendirilmiş onay alındı.

Katılımcı Seçimi

EEG verileri, nörolojik veya psikiyatrik bozukluk öyküsü olmayan 11 sağlıklı katılımcıdan (yaş aralığı: 25–45; ortalama yaş: 28 yıl) toplandı. Bu çalışmada toplam 1175 EEG segmenti değerlendirildi; bunların 527'si gevşeme sınıfına, 648'i ise dikkat sınıfına ait. EEG kayıtlarında aşırı hareket artefaktları veya düşük sinyal kalitesi gösteren katılımcılar hariç tutuldu.

EEG Alım Kurulumu

Önerilen EEG tabanlı beyin-bilgisayar arayüz sisteminin genel düzeni, sinyal alımı, sınıflandırma ve gerçek zamanlı kullanım sürecinin tamamını gösteren Şekil 1'de gösterilmiştir. EEG verileri, mikrokontrolör tabanlı bir sisteme bağlı küçük bir biyopotansiyel toplama modülü kullanılarak kaydedildi. Jel elektrotlar, Fp1 ve Fp2'nin ön cephesel noktaları olan Uluslararası 10–20 sistemine göre yerleştirilmiş, referans ve topraklama elektrotları ise kulak memelerine yerleştirilmiştir; bu da Şekil 2'de belirtildiği gibi. Sinyaller 128 Hz hızında dijitalleştirildi ve kendi yazdığı bir Python edinme betikiyle bilgisayara gönderildi. Elektrot empedansını azaltmak ve sinyal kalitesini artırmak için yeterli cilt ön tedavisi ve iletken jel kullanıldı.

Deneysel prosedür

EEG kayıtları, standart bir protokole uygun olarak gevşeme ve dikkat olmak üzere iki bilişsel koşul altında gerçekleştirildi. Gevşeme durumunda, katılımcı rahat ve düşük gürültülü bir ortamda oturdu ve minimum hareket ile hareketsiz kalması talimatı verildi. Kulaklıklardan sakinleştirici enstrümantal ses çalındı ve EEG kaydı python collect.py komutuyla başlatıldı. EEG sinyalleri seans başına 5 dakika kaydedildi ve dört seans boyunca tekrarlandı. Dikkat koşutunda, katılımcıya etkileşimli oyunlar gibi dikkat gerektiren görevleri yerine getirmesi ve gevşeme durumundaki aynı edinme düzenini koruması istendi. EEG sinyalleri seans başına 5 dakika kaydedildi ve dört seans boyunca tekrarlandı. Her katılımcı toplamda 40 dakika boyunca katıldı; 20 dakika gevşeme ve 20 dakika dikkat görevleri oldu; bu da bilişsel durumların güvenilir bir karşılaştırmasını mümkün kılmıştır.

İşlenen veri seti, şu şekilde etiketlenmiş segmentlere ayrıldı: Gevşeme (0); Dikkat (1). Her segmentin süresi 4 saniye ve %50 örtüşme ile gösteriliyordu ve kısa süreli Fourier dönüşümü kullanılarak spektrogram olarak temsil ediliyordu.

Sinyal İşleme, Özellik Temsili ve Model Uygulaması

Elde edilen EEG sinyalleri, gürültü ve artefaktları ortadan kaldırmak için önceden işlendi. Güç hattı parazitini ortadan kaldırmak için 50 Hz'lik bir oluk filtre kullanıldı ve ilgili EEG frekans bantlarını seçmek için 0.5 ile 30 Hz arasındaki sinyaldeki 4. dereceden Butterworth bant geçiş filtresi kullanıldı. Genlik eşik belirleme ve görsel inceleme, eserle kirlenmiş segmentleri belirlemek için kullanıldı ve verilerin yaklaşık %8–12'si silindi. Gauss gürültü toplama, zaman maskelemesi ve frekans maskelendirme, model dayanıklılığını artırmak için kullanılan veri artırma yöntemleridir. EEG sinyalleri filtrelenip %50 aralıklarla 4 saniyelik pencerelere bölündü.

Bireysel EEG segmentleri, zamansal ve spektral özelliklerin çıkarılmasına olanak sağlamak için Denklem (1)'de gösterildiği gibi zaman-frekans temsiline (Kısa Zamanlı Fourier Dönüşümü) dönüştürüldü.

figure-protocol-1(1)

Ortaya çıkan spektrogramlar normalleştirildi ve sınıflandırma modeline giriş olarak hizmet etmek üzere sabit boyutlara yeniden boyutlandırıldı. Örtüşme kaynaklı veri sızıntısını önlemek için, veri seti, segmentasyondan önce eğitim (%70), doğrulama (%10) ve test (%20) alt kümelerine bölünmüştür; bu durum Şekil 3'te gösterilmiştir. Ayrıca, bir denek genellemesi değerlendirmek için bir konu dışı bırakma (LOSO) çapraz doğrulama gerçekleştirildi; burada bir denek verileri test için kullanılırken, kalan veriler eğitim için kullanıldı.

Şekil 4'te gösterildiği gibi önerilen SET-Net mimarisi, çok boyutlu EEG özelliklerini yakalamak için tasarlandı. Model, mekansal-spektral temsilleri çıkarmak için bir konvolüsyon sinir ağı (CNN) omurgasını entegre eder, ardından Denklem (2)'de açıklandığı gibi, kanal bazında özellik önemini uyarlayıcı olarak yeniden kalibre eden bir sıkıştırma ve uyarılma (SE) bloğu gelir. CNN omurgası, çekirdek boyutu 3 × 3 olan iki konvolüsyon katmandan oluşur; ardından parti normalizasyonu ve üstel lineer birim (ELU) aktivasyonu gelir

figure-protocol-2(2)

SE bloğunun iç yapısı Şekil 5'te gösterilmiştir. Uzun menzilli zaman bağımlılıklarını yakalamak için, dikkat mekanizması Denklem (3)'de tanımlanmış ve Şekil 6'da gösterilen bir transformatör kodlayıcı dahil edilmiştir.

figure-protocol-3(3)

Özellik haritalarını sabit bir boyuta indirmek için uyarlanabilir ortalama havuzlama katmanı kullanıldı, bu da 16 × 16 boyutuna indirildi. SE bloğunun küçültme oranı 8'dir ve kanal bazında özellik yanıtlarını yeniden kalibre etmek için kullanılır. Transformatör kodlayıcısı, dört dikkat başlığı olan dört katmandan, 256 besleme boyutundan ve 128 model göme boyutundan oluşuyordu.

Son sınıflandırma, tamamen bağlantılı katmanlarla, dropout düzenleme ve dikkat ile gevşeme durumlarını ayırt etmek için softmax aktivasyon fonksiyonu kullanılarak gerçekleştirildi. Önerilen modelin ayrıntılı katman mimarisi Tablo 1'de sunulmaktadır.

Model, AdamW optimizatörü kullanılarak başlangıç öğrenme oranı 0.001 ve ağırlık düşüşü 1×10⁻4 ile eğitildi. Yakınsamayı artırmak için bir kosinüs tavlama zamanlayıcısı kullanıldı ve 32 parti boyutu kullanılarak 50 dönem eğitildi. Sınıf dengesizliği, Denklem (4)'te açıklandığı gibi ağırlıklı çapraz entropi kaybı fonksiyonu kullanılarak aşıldı.

figure-protocol-4(4)

Tablo 2 , eğitim yapılandırmasını özetler ve Tablo 3 , EEG tabanlı dikkat-gevşeme sınıflandırmasında kullanılan önerilen SET-Net'in hiperparametre aramasını sunar. Seçilen parametreler, eğitimin istikrarını, genelleştirmeyi artırmasını ve EEG sinyallerindeki değişikliklere karşı toleransı sağlar. Seçilen parametreler, eğitim sürecine istikrar sağlar, genelleştirmeyi artırır ve EEG sinyalindeki değişikliklere direnç gösterir. Modelin performansını ölçmek için doğruluk, hassasiyet, hatırlama, F1-puanı ve ROC-AUC kullanıldı. Ön işleme, model eğitimi ve değerlendirme içeren tüm boru hatları, tekrarlanabilirliği sağlamak için PyTorch çerçevesi kullanılarak Python ile yazılmıştı. Tablo 4, EEG edinimi, ön işleme, model eğitimi ve gerçek zamanlı kullanımla ilgili sorunları yönlendirmek ve çözmek için ayrıntılı bir sorun giderme tanımı sunar. Tablo 5, deneylerin yapılması ve deneysel kurulum için kolay bir çerçeve sağlamak amacıyla EEG cihazının malzemelerine genel bir bakış sunmaktadır. Önerilen SET-Net çerçevesini uygulamak için Python 3.8 ve PyTorch derin öğrenme çerçevesi kullanıldı. Standart bilimsel hesaplama kütüphaneleri, sinyal ön işleme ve özellik çıkarımı için NumPy, SciPy ve Matplotlib kullanılarak kullanıldı. Her deneysel işlem, modellerin eğitimini hızlandırmak için Intel i7 işlemcisi ve 16 GB RAM içeren bir sistemde gerçekleştirildi.

VERİ ERIŞILEBILIRLIĞI:

Bu çalışma sırasında oluşturulan ve analiz edilen anonimleştirilmiş EEG veri seti, Zenodo deposunda aşağıdaki erişim bağlantısı altında kamuya açık olarak sunulmaktadır: https://zenodo.org/records/19627795.

Tüm veriler, SR Üniversitesi Kurumsal Etik Komitesi tarafından onaylanan kurumsal etik yönergeler doğrultusunda katılımcı gizliliğini sağlamak amacıyla (Onay No. 007/2026) dekimlik kaldırılmıştır.

Sonuçları yeniden oluşturmak için gereken işlenen bilgiler, model ayarları ve uygulama özellikleri makalede sunulmakta olup, kaynak kodu şu adreste kamuya açık hale getirilmiştir: https://github.com/Ravichanderj/SET-Net-EEG-BCI.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Spektrogram Tabanlı Özellik Temsili

Bu çalışmanın temel amacı, dikkat ve rahatlama durumlarını EEG sinyalleri yardımıyla doğru şekilde sınıflandırmaktı. Ham EEG sinyallerinin spektrogramlara dönüştürülmesi, ayırt edici özelliklerin etkili şekilde çıkarılmasını mümkün kılmıştır. Spektrogramlar, gevşeme sırasında alfa bant aktivitesinin (8–13 Hz) ve dikkat sırasında beta aktivitesinin (14–25 Hz) arttığını gösterir. Frekans alanı özelliklerindeki...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Mevcut araştırmalar, EEG tabanlı dikkat-gevşeme sınıflandırması için hibrit derin öğrenme modeli olan SET-Net'i önermektedir. EEG sinyallerinin mekansal, spektral ve zamansal özelliklerini öğrenmek için mimari, Şekil 5'te gösterildiği gibi konvolüsyon sinir ağları, sıkıştırma ve uyarılma dikkati ile transformatör kodlayıcıları birleştirir. Bulgular, önerilen yöntemin çalışma hedefini karşılayabileceğini göstermektedir. Doğruluk, F1-puanı ve ROC-AUC değerleri...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar, bu çalışmada bildirilen çalışmayı etkileyebilecek bilinen hiçbir rekabet eden finansal çıkarları veya kişisel ilişkileri olmadığını belirtmektedir.

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar, bu çalışmayı yürütmek için gerekli laboratuvar kurulumunu ve etik onayı sağladığı için Hindistan'ın Telangana eyaletindeki Warangal'daki SR Üniversitesi'ne minnettardır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Bilgisayar / Dizüstü BilgisayarGenelHerhangi bir standart sistem≥ 8 GB RAM önerilir
Veri toplama betiğiÖzel Yapıcollect.pyPython tabanlı edinim betiği
Tek kullanımlık jel elektrotlarGenelÖnceden jellenmiş Ag/AgCl elektrotlarıTek kullanımlık, yapıştırıcı
EEG alım modülüTers Aşağıya LaboratuvarlarBioAmp EXG HapıBiyopotansiyel sinyaller için analog ön uç
Elektrot jeli (yeniden kullanılabilir elektrotlar kullanılıyorsa)Genelİletken jelSinyal iletkenliğini artırır
Etkileşimli uygulama (oyun)GenelHerhangi bir basit oyun (örneğin, yarış)Klavye kontrollü arayüz
Jumper telleriGenelErkek; Dişi konnektörlerStandart breadboard telleri
Matplotlib / SeabornAçık kaynakSon sürümlerGörselleştirme kütüphaneleri
Mikrodenetleyici kartıArduinoUno / Maker Uno10-bit ADC, USB arayüzü
Python programlama ortamıPython Yazılım VakfıPython ≥ 3.8Açık kaynak programlama dili
PyTorch kütüphanesiMeta AIVersiyon ≥ 1.12Derin öğrenme çerçevesi
Scikit-learnAçık kaynakEn son kararlı sürümML yardımcı programları
Sinyal işleme kütüphaneleriSciPyEn son sürümFiltreleme, STFT
USB kablosuGenelUSB Tip-A'dan B'yeVeri aktarım kablosu

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Chen, Q., Zhao, S., Wei, W., Zhao, T., He, R., et al. The application and challenges of brain-computer interfaces in the medical industry. Brain-X. 3 (3), (2025).
  2. Machado, M. Progress and Prospects in EEG-Based Brain-Computer Interface: Clinical Applications in Neurorehabilitation. J Rehabil Rob. 1 (1), (2013).
  3. Ramakuri, S. K., Ghosh, S., Gupta, B. Behaviour state analysis through brain computer interface using wearable EEG devices: a review. EG. 13 (4), 377 (2017).
  4. You, S. D. Classification of Relaxation and Concentration Mental States with EEG. Information. 12 (5), 187 (2021).
  5. Geetha, S., Geetha, R. Enhancing cognitive state detection through deep Forest-based electroencephalogram signal analysis and classification. Journal of Medical Engineering & Technology. 49 (8), 407-426 (2025).
  6. Ahmed, A. Artificial Intelligence for EEG Analysis: A Comprehensive Review of Deep Learning Techniques. IJCCCE. , 111-122 (2025).
  7. Wang, X., Wang, Z. CNN with self-attention in EEG classification. , 512-526 (2022).
  8. Tan, X. i. y. u. e., Wang, D. a. n., Chen, J. i. a. m. i. n. g., Xu, M. e. n. g. Transformer-based network with optimization for cross-subject motor imagery identification. Bioengineering. 10 (5), 609 (2023).
  9. Tan, X., Wang, D., Chen, J., Xu, M. Deep Learning Approaches for EEG-Motor Imagery-Based BCIs: Current Models, Generalization Challenges, and Emerging Trends. IEEE Access. 10 (5), 151866-151893 (2023).
  10. Biswas, S., Saw, R., Nandy, A., Naskar, A. K. Attention-enabled hybrid convolutional neural network for enhancing human–robot collaboration through hand gesture recognition. Computers and Electrical Engineering. 123, (2025).
  11. Chouhan, S., Ghai, D., Sandhu, R., Tripathi, S. L. Smart assistive technologies for neurodisorders: A review on AI, IoT, and wearable systems for enhanced patient care. Neurological Sciences. 47 (2), 211 (2026).
  12. Postepski, F., Wojcik, G. M., Wrobel, K., Kawiak, A., Zemla, K., et al. Recurrent and convolutional neural networks in classification of EEG signal for guided imagery and mental workload detection. Sci Rep. 15 (1), (2025).
  13. Liu, B., Wang, Y., Gao, L., Cai, Z. Enhanced electroencephalogram signal classification: A hybrid convolutional neural network with attention-based feature selection. Brain Res. 1851, (2025).
  14. Liu, X., Shen, Y., Liu, J., Yang, J., Xiong, P., et al. Parallel Spatial–Temporal Self-Attention CNN-Based Motor Imagery Classification for BCI. Front Neurosci. 14, (2020).
  15. Delvigne, V., Wannous, H., Vandeborre, J. P., Ris, L., Dutoit, T. Spatio-Temporal Analysis of Transformer based Architecture for Attention Estimation from EEG. , (2022).
  16. Huang, D., Zeng, P., Wang, K., Yi, Y., Yang, X., et al. EEG-Based Motor Imagery Decoding Combining Channel Attention and Transformer. , (2024).
  17. Tao, W., Wang, Z., Wong, C. M., Jia, Z., Li, C., et al. ADFCNN: Attention-Based Dual-Scale Fusion Convolutional Neural Network for Motor Imagery Brain-Computer Interface. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 32, (2024).
  18. Li, K., Chen, P., Chen, Q., Li, X. A hybrid network using transformer with modified locally linear embedding and sliding window convolution for EEG decoding. J Neural Eng. 21 (6), (2024).
  19. Chen, D., Huang, H., Guan, Z., Pan, J., Li, Y. An Intersubject Brain-Computer Interface Based on Domain-Adversarial Training of Convolutional Neural Network. IEEE Trans Biomed Eng. 71 (10), (2024).
  20. Shi, X., Li, B., Wang, W., Qin, Y., Wang, H., et al. Classification Algorithm for Electroencephalogram-based Motor Imagery Using Hybrid Neural Network with Spatio-temporal Convolution and Multi-head Attention Mechanism. Neuroscience. 527, (2023).
  21. Ma, X., Chen, W., Pei, Z., Zhang, Y., Chen, J. Attention-based convolutional neural network with multi-modal temporal information fusion for motor imagery EEG decoding. Comput Biol Med. 175, (2024).
  22. Sun, B., Wang, Q., Li, S., Deng, Q. SCTrans: Motor Imagery EEG Classification Method based on CNN-Transformer Structure. , (2024).
  23. Ma, Y., Song, Y., Gao, F. A novel hybrid CNN-Transformer model for EEG Motor Imagery classification. , (2022).
  24. Ding, Y., Li, Y., Sun, H., Liu, R., Tong, C., et al. EEG-Deformer: A Dense Convolutional Transformer for Brain-Computer Interfaces. IEEE J Biomed Health Inform. 29 (3), (2025).
  25. Song, J., Zhai, Q., Wang, C., Liu, J. EEGGAN-Net: enhancing EEG signal classification through data augmentation. Frontiers in Human Neuroscience. 18, (2024).
  26. Kang, H., Bao, N., Liu, H., Dong, C., Lei, D., et al. A Method of Cross-Subject Transfer Learning for Ultra Short Time SSVEP Classification. , (2024).
  27. Zhang, B., Xu, M., Zhang, Y., Ye, S., Chen, Y. Attention-ProNet: A Prototype Network with Hybrid Attention Mechanisms Applied to Zero Calibration in Rapid Serial Visual Presentation-Based Brain–Computer Interface. Bioengineering. 11 (4), (2024).
  28. Chen, P., Gao, Z., Yin, M., Wu, J., Ma, K., et al. Multiattention Adaptation Network for Motor Imagery Recognition. IEEE Trans Syst Man Cybern Syst. 52 (8), (2022).
  29. Lu, B., Huang, X., Chen, J., Fu, R., Wen, G. Manifold attention-enhanced multi-domain convolutional network for decoding motor imagery intention. Knowl Based Syst. 296, (2024).
  30. Liang, Y., Zhang, C., An, S., Wang, Z., Shi, K., et al. FetchEEG: a hybrid approach combining feature extraction and temporal-channel joint attention for EEG-based emotion classification. J Neural Eng. 21 (3), (2024).
  31. Jafari, M., Tao, X., Barua, P., Tan, R. S., Acharya, U. R. Application of transfer learning for biomedical signals: A comprehensive review of the last decade (2014–2024). Information Fusion. 118, (2025).
  32. Luo, J., Cui, W., Xu, S., Wang, L., Chen, H., et al. A Cross-Scale Transformer and Triple-View Attention Based Domain-Rectified Transfer Learning for EEG Classification in RSVP Tasks. IEEE Transactions on Neural Systems and Rehabilitation Engineering. 32, (2024).
  33. Chaudhary, P., Dhankhar, N., Singhal, A., Rana, K. P. S. A two-stage transformer-based network for motor imagery classification. Med Eng Phys. 128, (2024).
  34. Sun, Q., Wang, L., Zhang, L., Gong, P., Zhou, Y., et al. MSTI-Former: A Multi-Scale Spatial-Temporal Information Enhanced Transformer for Attentive State Classification. , (2024).
  35. Wu, Z., Sun, B., Zhu, X. Coupling Convolution, Transformer and Graph Embedding for Motor Imagery Brain-Computer Interfaces. , (2022).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

EEG S n fland rmasHibrit Sinir AS k t rma Uyarma ATransformer ASpektrogram Analizinsan Bilgisayar Etkile imi
Video yakında

İlgili makaleler