EEG工作负载估计和分类:一个系统的审查

科学领域:

• 神经科学和人工智能 人工智能
• 人与计算机的交互
• 认知科学 认知科学

背景情况:

• 电脑电图 (EEG) 对于评估不同领域的认知工作量至关重要.
• 机器学习 (ML) 和深度学习 (DL) 越来越多地用于构建基于EEG的准确工作负载模型.
• 需要进行系统审查,以整合使用ML/DL对EEG工作负载估计的研究.

研究的目的:

• 系统地审查和编译研究认知工作负载估计和分类使用EEG数据与ML和DL技术.
• 在这个领域确定常见的ML/DL算法,研究设计和性能指标.

主要方法:

• 在主要的科学数据库 (SpringerLink,ACM,IEEE,PubMed,Science Direct) 进行系统的文献搜索,截至2024年2月16日.
• 根据Prisma指南,根据预定义的纳入标准选择的研究.
• 数据提取集中在研究设计,参与者人口统计,EEG特征,ML/DL算法和绩效指标上.

主要成果:

• 在最初确定的125篇论文中,有33篇被纳入最终分析.
• 支持矢量机器 (SVM),卷积神经网络 (CNN) 和循环神经网络 (RNN) 是最常用的ML/DL技术.
• 在EEG数据中采样频率更高通常与模型准确度的提高相关;SVM,CNN和混合网络显示出强度.

结论:

• 在各种应用中,ML从EEG数据有效地估计了各种应用中的心理工作负载.
• 未来的进步需要多式联运数据集成,标准化和现实世界的验证.
• 解决伦理方面的考虑和探索新的EEG特性将增强ML/DL模型,以改善人机交互和性能评估.