مقاله استفاده از i-vectors برای یادگیری انتقال EEG مقطعی مستقل از موضوع

چکیده

Cognitive load classification is the task of automatically determining an individual’s utilization of working memory resources during performance of a task based on physiologic measures such as electroencephalography (EEG). In this paper, we follow a cross-disciplinary approach, where tools and methodologies from speech processing are used to tackle this problem. The corpus we use was released publicly in 2021 as part of the first passive brain-computer interface competition on cross-session workload estimation. We present our approach which used i-vector-based neural network classifiers to accomplish inter-subject cross-session EEG transfer learning, achieving 18% relative improvement over equivalent subject-dependent models. We also report experiments showing how our subject-independent models perform competitively on held-out subjects and improve with additional subject data, suggesting that subject-dependent training is not required for effective cognitive load determination.

چکیده به فارسی (ترجمه ماشینی)

طبقه بندی بار شناختی وظیفه تعیین خودکار استفاده از منابع حافظه کاری در حین انجام یک کار بر اساس اقدامات فیزیولوژیکی مانند الکتروانسفالوگرافی (EEG) است.در این مقاله ، ما یک رویکرد بین رشته ای را دنبال می کنیم ، جایی که از ابزارها و روشهای مربوط به پردازش گفتار برای مقابله با این مشکل استفاده می شود.جسد مورد استفاده ما در سال 2021 به عنوان بخشی از اولین رقابت منفعل رابط مغز و رایانه در برآورد حجم کار متقابل منتشر شد.ما رویکرد خود را ارائه می دهیم که از طبقه بندی کننده های شبکه عصبی مبتنی بر I-Vector برای دستیابی به یادگیری انتقال EEG بین جلسات بین موضوعی استفاده می کند ، و به پیشرفت نسبی 18 ٪ نسبت به مدلهای وابسته به موضوع دست می یابد.ما همچنین آزمایشاتی را گزارش می کنیم که نشان می دهد چگونه مدل های مستقل از موضوع ما به صورت رقابتی بر روی افراد نگه داشته شده عمل می کنند و با داده های موضوع اضافی بهبود می یابند ، نشان می دهد که آموزش وابسته به موضوع برای تعیین بار شناختی مؤثر مورد نیاز نیست.