基于EEG的心理工作负载分类方法基于物联网下的混合深度学习模型

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 准确检测人类的精神工作量对于预防精神疾病至关重要.
• 信息技术,人工智能和物联网的进步使得通过生理信号远程监控心理工作量成为可能.

研究的目的:

• 提出一种使用脑电图 (EEG) 信号进行心理工作负载分类的改进方法.
• 开发一种混合深度学习模型,整合空间和时间频率域特征,以提高准确性.

主要方法:

• 从不同大脑区域提取空间域特征.
• 使用波波变换来获得EEG时频域信息.
• 输入组合功能进入两个深度学习模型进行分类.

主要成果:

• 与现有方法相比,拟议的方法显示了更高的分类准确性.
• 验证是使用同步任务EEG工作负载公共数据库进行的.

结论:

• 开发的混合深度学习模型为评估心理工作量提供了一种新且有效的手段.
• 这种方法推进了对心理工作负载的远程检测,以预防潜在的精神疾病.