一种基于使用EEG信号的融合特征选择的认知过载评估新方法
Zhongrui Li1, Li Tong1, Ying Zeng1
1PLA Strategic Support Force Information Engineering University, Kexuedadao No.62, Zhengzhou, Henan, China, Zhengzhou, Henan, 450000, CHINA.
Journal of neural engineering
|December 10, 2024
概括
这项研究开发了一种有效的脑电图 (EEG) 模型,用于认知过载评估. 特性选择方法提高了准确性,使可靠的监控能够提高任务性能和心理健康.
科学领域:
- 神经科学是一个神经科学.
- 人与计算机的交互
- 信号处理 信号处理
背景情况:
- 认知过度负担会对任务表现和心理健康产生负面影响.
- 基于脑电图 (EEG) 的评估模型为认知过载提供了早期警告.
- 现有的EEG方法在准确评估认知过载时面临挑战.
研究的目的:
- 使用EEG开发一种有效的认知过载评估模型.
- 通过先进的特征选择技术来提高模型的有效性.
- 改进对人机交互系统的认知过载监控.
主要方法:
- 变化模式分解 (VMD) 用于适应性信号分解成子频段.
- 从子频段信号中提取频域特征.
- 使用相互信息 (MI) 和邻近组件分析 (NCA) 进行特征选择,以优化特征表示.
- 使用传统机器学习方法进行离线和在线评估的分类.
主要成果:
- 实现了82.44% (本地) 和78.24% (开放) 数据集的平均线下准确性.
- 在线分类的平均准确度达到了大约79.90%.
- 在线和线下认知过载评估中证明了拟议方法的有效性.
- 确定高频子频段对认知过载评估更有益.
结论:
- 脑电图信号对于认知过载评估是有效的.
- 特征选择显著提高了认知过载评估的准确性.
- 拟议的方法为HCI的实时认知过载监测提供了可靠的支持.
关键词:
这是一个EEGEEGEEGEEGEEGEEGEEG.在这里,我们可以看到MI MI MI MI MI.在NCA中,NCA是NCA,NCA是NCA.认知过载评估认知过载评估特性选择 融合 功能选择在线在线在线 在线在线在线在线
