典型文献
舒尔特方格与LSTM的注意力分级建模
文献摘要：
在基于脑电信号的注意力分级研究中,存在两个亟待解决的技术难点.第一不同注意类型的脑电数据采集及标注困难;第二脑电特征提取算法忽视原始脑电信号时序特征.针对以上问题,设计了基于视觉搜索和反应时技术的舒尔特方格范式,实现对不同注意类型脑电数据的采集以及自动标注;设计长短期记忆深度学习网络(LSTM)实现对注意力分级,保存原始脑电信号的时序特征.实验结果表明,注意力分级模型可以很好区分高中低三种注意力水平;对比现有的五种基于EEG信号的注意力分级算法,小波变换(DWT)、近似熵、共空间模式(CSP)、基于相干系数的脑网络和卷积神经网络(CNN),在相同的EEG数据集上,该注意力分级模型识别准确率最高,高出DWT算法21.49个百分点;高出近似熵算法25.82个百分点;高出CSP算法20.53个百分点;高出基于相干系数的脑网络算法13.32个百分点;高出CNN9.05个百分点.
文献关键词：
注意力分级模型;原始脑电信号;长短期记忆深度学习网络(LSTM);注意力监测
中图分类号：
作者姓名：
王湃;吴凡;汪梅;秦学斌
作者机构：
西安科技大学 电器与控制工程学院,西安 710054
文献出处：
引用格式：
[1]王湃;吴凡;汪梅;秦学斌-.舒尔特方格与LSTM的注意力分级建模)[J].计算机工程与应用,2022(15):133-140
A类：
注意力分级模型,CNN9
B类：
尔特,方格,分级建模,分级研究,技术难点,脑电数据,特征提取算法,原始脑电信号,时序特征,视觉搜索,自动标注,长短期记忆,深度学习网络,高中低,注意力水平,EEG,小波变换,DWT,近似熵,共空间模式,CSP,相干系数,脑网络,模型识别,识别准确率,百分点,网络算法,注意力监测
AB值：
0.258902
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
