.png){kind=icon}
返回
Self-Concentration Detection Based on Doubled Amplitude/Phase Processing in Node PDE Modular Models
.png){kind=icon}
OA
AI
DOI：10.3390/biomimetics11090681.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
脑序列案例的可靠分类因信号模糊性和噪声而具有挑战性。个人专注度主要由脑电图（EEG）波的基础频率决定，即任务依赖于对相应人类活动（如阅读、放松、解决数学问题等）中模式的适当建模与识别。五种基础频率类型（α、β、γ、δ和θ）被视为复数节点扩展中主振幅的次要输入波参数以处理信号。自优化人工智能（AI）方法可处理、统计分析和建模序列特异性和时间行为，以识别未经训练会话分配的标签。该过程涉及信号预处理（转换）和特征提取，以增强时间变异性的表示、消除不确定案例，并减少详细频带记录中不可接受的大规模原始数据格式。本研究聚焦于通过脑启发的双振幅/频率信号处理改进AI建模。这一扩展概念基于与神经活动的类比，即生成动态频率脉冲作为时间激励响应的主要信息载体。该模型通过进化树结构节点的偏微分方程（PDE）解获得——自计算项，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固有形式表示周期性模式。比较了两种不同的机器学习方法：第一种是进化PDE变换和基于深度学习的循环处理，应用于所有会话记录块，仅评估一个最终分类，在未经训练的1/3数据上达到90%以上的预测精度；第二种常规建模技术分别评估每行数据，在时滞框架中计算其边界标签输出，达到70%以上的精度。提供可执行参数化软件，并链接到公开EEG数据仓库。
Keyword:
personal concentration
deep learning
differential learning
derivative transformation
sine/cosine representation
期刊
B
IF:
3.9
论文数:
3.3K
被引数:
5.1K
机构
暂无机构信息
引用论文
分享收藏Yunita, A.; Pratama, M.I.; Almuzakki, M.Z.; Ramadhan, H.; Akhir, E.A.P.; Firdausiah Mansur, A.B.; Basori, A.H. Performance analysis of neural network architectures for time series forecasting: A comparative study of RNN, LSTM, GRU, and hybrid models. MethodsX 2025, 15, 103462. [Google Scholar] [CrossRef]Yunita, A.; Pratama, M.I.; Almuzakki, M.Z.; Ramadhan, H.; Akhir, E.A.P.; Firdausiah Mansur, A.B.; Basori, A.H. 神经网络架构在时间序列预测中的性能分析：RNN、LSTM、GRU及混合模型的比较研究。MethodsX 2025, 15, 103462. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Emotion recognition via affective EEG signals: State of the art基于情感脑电信号的情绪识别：研究现状NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏分享收藏Optimizing EEG - based Emotion Recognition with a multi-modal ensemble approach基于EEG的情绪识别优化：一种多模态集成方法
OAAI
OAAI分享收藏
查看更多内容