Loading...
Time frequency analysis and deep neural networks for visual and auditory working memory load classification from electroencephalogram
Castañeda Tabares, Nichool
Castañeda Tabares, Nichool
Citations
Altmetric:
Abstract
Electroencephalogram (EEG) is a high-precision instrument to analyze cognitive processes. In this work, sixteen EEG channels are used to study auditory and visual working memory load in healthy people. With this objective, we recruited fourteen volunteers; in four of them, we evaluated the auditory working memory load and the visual working memory load in the remaining ten. Then, each of the attempts made by the participants was assigned a class: class 0 or class 1, depending on the precision they obtained with the stimuli. With the data collected, feature extraction tools such as the correlation matrix with Pearson coefficients and the Empirical Decomposition in Ensemble Modes algorithm (EEMD) were applied. Then, the Independent Component Analysis (ICA) process was carried out to select the five most relevant characteristics. Subsequently, intending to determine a person’s accuracy when faced with a working memory load stimulus, we implemented a deep neural network. In this process, results were obtained that imply that the deep neural network correctly classifies more than 90% of the attempts. We observed that the classification accuracy for the auditory working memory load was 99.91%, implying that the model almost perfectly classifies the test data. For the visual working memory load, the accuracy was 93.82%, with very good classification performance. Therefore, we can conclude that the methodology used to evaluate auditory and visual working memory load is ideal for future research and applications due to its high precision.
La electroencefalografía (EEG) es un instrumento de alta precisión para analizar procesos cognitivos. En este trabajo, se usan dieciséis canales de eeg para estudiar la carga de memoria de trabajo auditiva y visual en personas saludables. Con este objetivo, reclutamos catorce voluntarios, en cuatro de ellos evaluamos la carga de memoria de trabajo auditiva y en los diez restantes la carga de memoria de trabajo visual. Luego, a cada uno de los intentos realizados por los participantes se les asignó una clase: clase 0 o clase 1, según la precisión que obtuvieron ante los estímulos. Con los datos recolectados, se aplicaron herramientas de extracción de características como la matriz de correlación con coeficientes de Pearson y el algoritmo de Descomposición Empírica en Modos por Conjuntos (EEMD). Luego, se realizó el proceso de Análisis de Componentes Independientes (ICA) para la selección de las cinco características más relevantes. Posteriormente, con el objetivo de determinar la precisión de una persona ante un estímulo de carga de memoria de trabajo, implementamos una red neuronal profunda. En este proceso, se obtuvieron resultados que implican que la red neuronal profunda clasifica acertadamente más del 90% de los intentos. Para la carga de memoria de trabajo auditiva, observamos que la precisión en la clasificación fue de 99.91%, lo que implica que el modelo clasifica casi perfectamente los datos de prueba. Y para la carga de memoria de trabajo visual, la precisión fue de 93.82%, con un rendimiento de clasificación muy bueno. Por lo que podemos concluir que la metodología utilizada evaluar la carga de memoria de trabajo auditiva y visual es idónea para futuras investigaciones y aplicaciones debido a su alta precisión.
La electroencefalografía (EEG) es un instrumento de alta precisión para analizar procesos cognitivos. En este trabajo, se usan dieciséis canales de eeg para estudiar la carga de memoria de trabajo auditiva y visual en personas saludables. Con este objetivo, reclutamos catorce voluntarios, en cuatro de ellos evaluamos la carga de memoria de trabajo auditiva y en los diez restantes la carga de memoria de trabajo visual. Luego, a cada uno de los intentos realizados por los participantes se les asignó una clase: clase 0 o clase 1, según la precisión que obtuvieron ante los estímulos. Con los datos recolectados, se aplicaron herramientas de extracción de características como la matriz de correlación con coeficientes de Pearson y el algoritmo de Descomposición Empírica en Modos por Conjuntos (EEMD). Luego, se realizó el proceso de Análisis de Componentes Independientes (ICA) para la selección de las cinco características más relevantes. Posteriormente, con el objetivo de determinar la precisión de una persona ante un estímulo de carga de memoria de trabajo, implementamos una red neuronal profunda. En este proceso, se obtuvieron resultados que implican que la red neuronal profunda clasifica acertadamente más del 90% de los intentos. Para la carga de memoria de trabajo auditiva, observamos que la precisión en la clasificación fue de 99.91%, lo que implica que el modelo clasifica casi perfectamente los datos de prueba. Y para la carga de memoria de trabajo visual, la precisión fue de 93.82%, con un rendimiento de clasificación muy bueno. Por lo que podemos concluir que la metodología utilizada evaluar la carga de memoria de trabajo auditiva y visual es idónea para futuras investigaciones y aplicaciones debido a su alta precisión.
Description
Date
2024-05-08
Journal Title
Journal ISSN
Volume Title
Publisher
Collections
Keywords
Electroencephalogram, Auditory, Visual, Working, Memory, Load