EEG-based Mental Workload Estimation using Encoder-Decoder Networks with Multilevel Feature Fusion

In this paper, we propose a model that combines the multilevel feature fusion algorithm and encoder-decoder structure for evaluation of mental workload using electroencephalogram (EEG) signals. The encoder-decoder structure was used to reduce additive noise and subject variations of EEG data. The en...

Celý popis

Podrobná bibliografie

Vydáno v:	2022 IEEE International Conference on Consumer Electronics-Asia (ICCE-Asia) s. 1 - 3
Hlavní autoři:	Jin, Chang-Gyun, Kim, Seong-Eun
Médium:	Konferenční příspěvek
Jazyk:	angličtina
Vydáno:	IEEE 26.10.2022
Témata:	Brain modeling CNN Data models Decoding EEG Electroencephalography Encoder-Decoder Estimation Feature extraction Multilevel feature fusion Three-dimensional displays Workload Estimation
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!