任务独立的认知工作负载歧视基于EEG与堆叠图注意力卷积网络
Chenyu Wei1, Xuewen Zhao1, Yu Song1
1Tianjin Key Laboratory for Control Theory and Applications in Complicated Systems, School of Electrical Engineering and Automation, Tianjin University of Technology, Tianjin 300384, China.
Sensors (Basel, Switzerland)
|April 26, 2025
概括
本研究引入了一种新的堆叠图注意力卷积网络 (SGATCNs) 模型,用于使用脑电图 (EEG) 空间数据进行任务独立的认知工作负载评估. 该模型在识别不同任务中的工作负载水平方面实现了65.11%的准确性.
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:
- 在神经经济学中,评估认知工作量至关重要,但使用EEG数据的任务独立方法具有挑战性.
- 对于任务独立的认知负载分类的现有分散研究产生了低于最佳的结果.
- 开发用于现实世界应用的强大方法需要改进任务独立工作负载评估.
研究的目的:
- 介绍一个新的堆叠图注意力卷积网络 (SGATCNs) 模型,用于任务独立的认知工作负载评估.
- 利用EEG空间信息和先进的网络架构来改进工作负载识别.
- 评估模型在各种认知任务和工作负载水平上的表现.
主要方法:
- 利用了来自Delta,Theta,Alpha和Beta波段的EEG通道的差异 (DE) 和功率光谱密度 (PSD) 特性.
- 使用相锁值 (PLV),相滞后指数 (PLI),皮尔森相关系数 (PCC) 和相互信息 (MI) 构建功能性大脑网络.
- 使用堆叠图的注意层用于空间信息聚合,以及用于频域分析的卷积模块.
主要成果:
- 该SGATCNs模型在识别任务独立的认知工作负载时,平均准确率为65.11%.
- 在三个不同的心理实验任务范式 (N-back,心理算术,斯特恩伯格) 中评估了绩效.
- 该框架成功地确定了不同认知工作负载水平 (低,中,高) 独立于特定任务.
结论:
- 拟议的SGATCNs模型为使用EEG的任务独立认知工作负载评估提供了一个有希望的方法.
- 整合空间和频率域特征增强了模型捕捉工作负载变化的能力.
- 这个框架有可能用于现实世界的神经经济应用,需要强大的认知状态监测.
