使用EEG信号检测认知负载,并通过特定的领先选择进行提升波段转换
Himanshu Chhabra1, Diksha Sharma2, Urvashi Chauhan3
1ECE Department, Galgotias College of Engineering and Technology, Greater Noida, Uttar Pradesh, India.
Biomedical physics & engineering express
|June 5, 2025
概括
这项研究开发了一种具有成本效益的方法,用于检测使用最小电脑电图 (EEG) 线路的心理算术负载. 该方法实现了高精度,使其适用于可穿戴认知负载检测设备.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 信号处理 信号处理
背景情况:
- 心理算术任务涉及复杂的认知过程.
- 分析大脑反应,特别是脑电图 (EEG) 信号,对于诊断疾病和理解压力至关重要.
- 减少EEG线路的数量可以提高成本效益,并减少认知负载检测的复杂性.
研究的目的:
- 开发一种有效的方法来识别心理算术负载,使用最小的EEG线索.
- 评估一种成本效益高,复杂性降低的认知负载检测技术的性能.
- 评估仅使用两个正面EEG导线 (Fp1和Fp2) 进行准确分类的可行性.
主要方法:
- 利用来自两个前导线 (Fp1和Fp2) 的脑电图 (EEG) 信号.
- 应用提升波段处理来将EEG信号分为12个频段段.
- 提取了模糊的特征,并采用了最低冗余的最大相关性技术来选择特征.
- 我们比较了三个监督机器学习模型:K-最近邻居 (KNN),支持矢量机器 (SVM) 和随机森林算法 (RFA).
主要成果:
- 支持矢量机 (SVM) 分类器在使用19个EEG导线时达到96.63%的最高准确率.
- 只有两个前导线 (Fp1和Fp2),SVM分类器仍然提供了最高的准确率95.34%.
- 拟议的技术证明了优越的分类准确性与减少数量的EEG线索.
结论:
- 开发的技术有效地识别心理算术负载,使用最小数量的EEG线.
- 该方法适用于设计具有成本效益的可穿戴设备,用于认知负载检测.
- 减少脑电图分析为实时认知监测提供了一种实用的方法.
