使用机器学习分类器对脑电图数据进行认知负载的表征
Qi Wang1, Daniel Smythe1, Jun Cao1
1School of Aerospace, Transport and Manufacturing, Cranfield University, Cranfield MK43 0AL, UK.
Sensors (Basel, Switzerland)
|October 28, 2023
概括
电脑电图 (EEG) 可以有效地检测驾驶任务期间的认知负载. 机器学习模型实现了90.37%的准确性,表明了EEG的准确性.
科学领域:
- 神经科学和认知科学 神经科学和认知科学
- 人与计算机的交互
- 汽车安全工程 汽车安全工程
背景情况:
- 驾驶等安全关键任务中的高认知负载可能导致事故.
- 管理驾驶员的认知负载对于对环境变化的适当反应至关重要.
- 电脑电图 (EEG) 是认知负载研究的一个有前途的工具,但其在驾驶环境中的应用尚未得到充分探索.
研究的目的:
- 评估使用EEG监测模拟驾驶期间认知负载的可行性.
- 用EEG数据区分驾驶员的各种认知负载水平.
- 调查EEG作为车辆实时认知负载变化指标的潜力.
主要方法:
- 设计和实施四个不同的驾驶任务来模拟不同的认知负载.
- 从20名参与者收集了这些驾驶任务的EEG数据.
- 采用机器学习分类技术,包括深度神经网络和支持矢量机器,以分析EEG信号.
主要成果:
- 性能最好的分类模型在基于EEG的驾驶条件区分方面取得了90.37%的准确性.
- 来自24个EEG频道的多个频段的统计特征被用于分类.
- 玛和β频段与α和β频段相比,表现出更高的分类准确性.
结论:
- 脑电图是检测和区分驾驶期间认知负载水平的可行方法.
- 对EEG数据的机器学习分析显示了实时认知负载监测的巨大潜力.
- 这些发现可以帮助开发先进的人机接口,以提高车辆的安全性.
