ترجمه فارسی مقاله پیش‌بینی نگاه پیشرفته مبتنی بر EEG با استفاده از کانولوشن تفکیک‌پذیر عمقی و پیش‌پردازش پیشرفته

چکیده

In the field of EEG-based gaze prediction, the application of deep learning to interpret complex neural data poses significant challenges. This study evaluates the effectiveness of pre-processing techniques and the effect of additional depthwise separable convolution on EEG vision transformers (ViTs) in a pretrained model architecture. We introduce a novel method, the EEG Deeper Clustered Vision Transformer (EEG-DCViT), which combines depthwise separable convolutional neural networks (CNNs) with vision transformers, enriched by a pre-processing strategy involving data clustering. The new approach demonstrates superior performance, establishing a new benchmark with a Root Mean Square Error (RMSE) of 51.6 mm. This achievement underscores the impact of pre-processing and model refinement in enhancing EEG-based applications.

چکیده به فارسی (ترجمه ماشینی)

در زمینه پیش بینی Gaze مبتنی بر EEG ، استفاده از یادگیری عمیق برای تفسیر داده های عصبی پیچیده چالش های قابل توجهی را ایجاد می کند.این مطالعه اثربخشی تکنیک های قبل از پردازش و تأثیر همبستگی جداگانه قابل جدا شدن بر روی ترانسفورماتورهای بینایی EEG (VITS) در یک معماری مدل از پیش تعیین شده را ارزیابی می کند.ما یک روش جدید ، ترانسفورماتور دید عمیق تر EEG (EEG-DCVIT) را معرفی می کنیم ، که ترکیب شبکه های عصبی حلقوی جدا شده عمق (CNN) را با ترانسفورماتورهای بینایی ترکیب می کند ، که توسط یک استراتژی پیش پردازش شامل خوشه بندی داده ها غنی شده است.رویکرد جدید عملکرد برتر را نشان می دهد و معیار جدیدی را با خطای میانگین مربع ریشه (RMSE) 51.6 میلی متر ایجاد می کند.این دستاورد تأثیر پیش پردازش و پالایش مدل در تقویت برنامه های مبتنی بر EEG را تأکید می کند.