跨时间和跨主题认知工作负载解码的双对立模型.
概括
这项研究引入了一种双分类器联合域适应 (BCJDA) 模型,以改善使用电脑电图 (EEG) 信号的认知工作负载解码 (CWD) 在不同受试者和时间段. BCJDA模型通过对准域和类特征来提高准确性,优于现有的方法.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 电脑电图 (EEG) 信号对于认知工作负载 (CWD) 解码至关重要.
- 现有的CWD方法与主体独立和长期场景作斗争,显示精度下降.
- 当前的解决方案往往需要大量的数据集或缺乏强大的特征提取和明确的类别区分.
研究的目的:
- 提出一种新的双分类器联合域适应 (BCJDA) 模型,用于基于EEG的强大的CWD.
- 解决跨时间和跨主题CWD准确性恶化的挑战.
- 开发一种超越现有CWD方法的局限性模型.
主要方法:
- 开发了一个BCJDA模型,包括特征提取器,域区分器和Bi-Classifier.
- 采用对抗性流程来对域智能和类智能特征进行对齐.
- 在Bi-Classifier中利用交叉梯度差异最大化以提高性能.
主要成果:
- 在基于EEG的CWD任务中,BCJDA模型表现出卓越的性能.
- 在识别低,中,高认知工作负载水平方面取得了显著的改进.
- 拟议的模型有效地处理跨时间和跨主题的变化.
结论:
- BCJDA模型为主体独立和长期基于EEG的CWD提供了强大的解决方案.
- 敌对领域和阶级对齐是提高CWD准确性的有效策略.
- BCJDA模型为推进CWD应用提供了一个有希望的方向.
