EPECT ผสาน convolution, positional encoding และ attention ที่ใช้ eigenvalue เพื่อจำแนกงาน motor imagery และงานรู้คิดจาก EEG-fNIRS ผู้วิจัยรายงานความแม่นข้ามบุคคล 96.3-98.1% ในสี่งานจากสองชุดข้อมูลสาธารณะภายใต้ leave-one-subject-out พร้อม ablation และ integrated gradients ผลยังมาจากผู้เข้าร่วมและข้อมูลวิจัย ไม่ใช่ผู้ป่วยฟื้นฟูจริง
ข้อค้นพบสำคัญ
- accuracy เท่ากับ 97.3% สำหรับ MI, 96.3% n-back, 98.1% DSR และ 97.9% word generation การทำ ablation สนับสนุนองค์ประกอบสถาปัตยกรรม และ attribution แสดงรูปแบบตาม modality ที่ผู้เขียนตีความว่าสอดคล้องบริเวณสมองเกี่ยวข้องกับงาน
ทำไมจึงมีความสำคัญระดับโลก
หากทำซ้ำได้ วิธีอาจช่วยลดปัญหาความต่างระหว่างบุคคลใน brain-computer interface และเป็นฐานสำหรับตัวชี้วัดการฟื้นฟูที่รวมสัญญาณไฟฟ้ากับ hemodynamics
บทบาทของนักวิจัยไทย
นักวิจัยจากพระจอมเกล้าพระนครเหนือร่วมพัฒนาสถาปัตยกรรมกับทีมเกาหลีใต้ แสดงบทบาทไทยด้าน AI วิศวกรรมและการประมวลผลสัญญาณสมอง
ข้อจำกัดที่ควรรู้
ใช้ชุดข้อมูลสาธารณะเพียงสองชุดและข้อมูลที่สกัดลักษณะแล้ว จำนวนผู้เข้าร่วมและความสมดุลคลาสต้องตรวจฉบับเต็ม การแบ่งหน้าต่างอาจสร้างความสัมพันธ์ภายในบุคคลแม้ใช้ LOSO ไม่มีผู้ป่วย ไม่มีการทดสอบ prospective ข้ามอุปกรณ์ และ integrated gradients แสดงความไวของโมเดล ไม่ยืนยันแหล่งกำเนิดทางประสาท
ตรวจสอบแหล่งต้นทาง
MathematicsMathematics↗DOI: 10.3390/math14132416