Компьютерные науки > Машинное обучение [представлено 24 октября 2026 года] Название: EEGBiFormer: EEG Classification-Reference Классификация внимания в режиме реального времени с использованием HTML-трансформатора Hybrid CNN-Transetter с помощью EEG-Informed Auditology Protocol View PDF (экспериментальное) резюме: Постоянное внимание имеет решающее значение для академической деятельности, однако существующие инструменты звуковой поддержки являются статичными и не основаны на нейронных данных в реальном масштабе времени. В настоящем документе представлена гибридная модель CNN-Transformer для классификации состояния внимания в режиме реального времени, фокуса и неконцентрации от 16канальных сигналов EEG. Для сбора данных ЭЭГ, основанных на задаче, была разработана и построена стандартная аналоговая доска для приобретения на переднем крае. До подготовки моделей, спектрального анализа и анализа коммуникационных возможностей с использованием значения спектральной плотности и фазовой блокировки подтвердил наличие различных нейронных подписей между государствами-объектами внимания, что обеспечивает физиологическую основу для классификационного подхода. EEGBiFormer достиг 91,3% точности проверки на уровне окна, при этом показатель F1 составил 94,5% и 88,2% - уровня регистрации в течение 17 независимых сеансов. Запоздалость в конце системы была измерена ниже 100 мс, что способствовало быстрому реагированию. Прошедшая подготовку модель использовалась также для объективного…
EEGBiFormer: Классификация внимания к ЭЭГ в режиме реального времени с использованием Hybrid CNN-Transetter с подтверждением достоверности протокола аудиторской проверки, содержащего информацию по ЭЕГ
arXiv: 261 030.33832v1 Annualte Type: New Surviction: Постоянное внимание имеет решающее значение для академической деятельности, однако существующие инструменты звуковой поддержки являются статичными и не основаны на нейронных данных в режиме реального времени. В настоящем документе представлена гибридная модель CNN-Transformer для классификации состояния внимания в режиме реального времени, фокуса и неконцентрации от 16канальных сигналов EEG. Для сбора данных ЭЭГ, основанных на задаче, была разработана и построена стандартная аналоговая доска для приобретения на переднем крае. До подготовки моделей, спектрального анализа и анализа коммуникационных возможностей с использованием значения спектральной плотности и фазовой блокировки подтвердил наличие различных нейронных подписей между государствами-объектами внимания, что обеспечивает физиологическую основу для классификационного подхода. EEGBiFormer достиг 91,3% точности проверки на уровне окна, при этом показатель F1 составил 94,5% и 88,2% - уровня регистрации в течение 17 независимых сеансов. Запоздалость в конце системы была измерена ниже 100 мс, что способствовало быстрому реагированию. Обученный режим