Deep learning-based assessment model for Real-time identification of visual learners using Raw EEG

Automatická identifikace vizuálního učebního stylu v reálném čase pomocí hrubého elektroencefalogramu (EEG) je náročná. V této práci, inspirované  schopnostmi technik hlubokého učení, jsou navrženy modely založené na hlubokém učení, které se učí reprezentaci funkcí na vysoké úrovni pro identifikaci vizuálního učení EEG. Stávající počítačem podporované systémy, které používají elektroencefalogramy a strojové učení, mohou rozumně posoudit styly učení. Navzdory jejich potenciálu je offline zpracování často nezbytné k odstranění artefaktů a extrahování funkcí, což činí tyto metody nevhodnými pro aplikace v reálném čase. Soubor dat byl vybrán mezi 34 zdravými subjekty při měření jejich EEG signálů během klidových stavů (otevřené oči a zavřené oči) a při plnění učebních úkolů. Subjekty nevykazovaly žádné předchozí znalosti v oblasti animovaného vzdělávacího obsahu prezentovaného ve video formátu. Článek představuje analýzu EEG signálů měřených během klidového stavu se zavřenýma očima pomocí tří technik hlubokého učení: LSTM, LSTM-CNN a LSTM-FCNN. Tyto techniky byly zvoleny dle jejich vhodnosti pro aplikace v reálném čase s různou délkou dat a potřebě kratšího výpočetního času. Optimalizace parametrů pomocí hypertuningu umožnila identifikaci vizuálního stylu učení studenta prostřednictvím implementace tří technik. Technika LSTM-CNN má nejvyšší průměrnou přesnost ze všech tří technik - 94 %, senzitivitu 80 %, specificitu 92 % a skóre F1 94 % při identifikaci vizuálního stylu učení studenta. Tento výzkum ukázal, že nejúčinnější metodou je technika LSTM-CNN založená na hlubokém učení, která přesně identifikuje vizuální styl učení studenta.