通过EEG引导智能特征优化和集体分类来检测认知负载

科学领域:

• 神经科学和计算科学 神经科学和计算科学
• 大脑与计算机的接口
• 机器学习应用 机器学习应用

背景情况:

• 认知负载,一种衡量精神努力的指标,对于理解压力和精神紧张至关重要.
• 电脑电图 (EEG) 信号为与认知过程相关的神经活动提供了一个非侵入性的窗口.
• 准确检测认知负载对于教育,人体工程学和医疗保健中的应用至关重要.

研究的目的:

• 研究使用EEG信号特征提取,选择和分类来评估认知负载的可行性.
• 通过整合先进的信号处理和机器学习技术,开发和验证一种用于认知负载检测的新方法.
• 引入和评估领先的认知负载检测,以加强时间和空间大脑活动分析.

主要方法:

• 使用强大的局部平均分解 (R-LMD) 将EEG数据分解成五种模式.
• 使用二进制算术优化 (BAO) 算法进行特征提取和维度减小.
• 使用六个优化机器学习 (ML) 分类器对认知负载进行分类,包括优化集体学习 (OEL),并结合R-LMD和BAO功能.

主要成果:

• 在心理算术任务 (MAT) 数据集上获得了97.4%的准确性,在认知负载检测的同时工作负载 (STEW) 数据集上获得了96.1%的准确性.
• 证明了领先分析的有效性,F3领先显示了各种认知任务的高分类准确性 (高达94.5%和94%).
• 拟议的R-LMD+BAO+OEL方法在认知负载检测方面明显优于现有的最先进方法.

结论:

• 集成的R-LMD,BAO和OEL方法提供了一个非常准确和强大的方法,用于从EEG信号中检测认知负载.
• 领先智能分析提供了有价值的时间空间洞察力,了解认知任务期间的大脑活动,增强对认知负载的理解.
• 这项研究推进了脑 - 计算机接口和认知监控领域的发展,并有可能用于现实世界的应用.