通过使用有效的连接和CNN和LSTM的混合模型,用EEG分析对心理工作负荷进行分类

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 机器学习 机器学习

背景情况:

• 精确的心理工作负载估计对于优化人类在苛刻领域的表现至关重要.
• 电脑电图 (EEG) 信号提供了与认知负载相关的大脑活动的非侵入性窗口.
• 现有的方法往往在对象特定的校准方面扎,限制了现实世界的适用性.

研究的目的:

• 开发一种独立于主体的方法,用EEG信号来估计心理工作负载.
• 利用深度神经网络和大脑连接分析来提高工作量评估.
• 评估拟议方法在区分不同多任务工作负载级别的准确性.

主要方法:

• 使用了包含"没有任务"和"SIMKAP"多任务条件的STEW数据集.
• 使用直接定向传输函数 (dDTF) 来分析来自14个EEG通道的有效大脑连接.
• 开发了一种混合深度学习模型,将预先训练的卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络结合起来.

主要成果:

• 拟议的复合框架使用离开主题 (LSO) 方法实现了83.12%的独立主题分类准确度.
• 分析表明,将大脑连接指标与深度学习相结合,以估计工作负载的有效性.
• 预先训练的CNN+LSTM模型在评估EEG数据的心理工作负载时被证明是准确的.

结论:

• 开发的独立于主体的方法准确地估计了多任务活动期间的心理工作量.
• 这种方法在优化人机交互和各种领域的性能方面具有重大潜力.
• 深度学习模型,特别是CNN+LSTM架构,对于分析EEG用于认知工作负载评估非常有效.