通过半监督自动编码器从EEG信号识别心理工作负载

科学领域:

• 认知科学 认知科学
• 神经科学是一个神经科学.
• 机器学习 机器学习

背景情况:

• 心理工作量评估在人机交互,系统设计和医疗保健方面至关重要.
• 基于脑电图 (EEG) 的工作负载识别通常使用监督学习,该学习与有限的标记数据作斗争.

研究的目的:

• 开发一种新的半监督自动编码框架,用于基于EEG的强大的心理工作负载识别.
• 利用丰富的未标记的EEG数据来克服稀缺的标记数据集的局限性.

主要方法:

• 提出了一种半监督的自动编码器,将监督目标与无监督的自动编码器集成在一起.
• 开发了一个联合功能,以最大限度地减少数据重建和预测错误,增强模型的区分能力.
• 自动编码器层之间的内置跳过连接,以减轻消失/爆炸梯度问题.

主要成果:

• 拟议的框架在二元心理工作负载分类中实现了高准确性.
• 证明了对标记和未标记EEG数据的有效利用.
• 该模型在两个不同的EEG数据集上显示了与传统监督方法相比更好的性能.

结论:

• 半监督自动编码器为基于EEG的心理工作负载识别提供了一个有希望的方法.
• 监督和无监督学习与架构增强的整合有效地解决了数据稀缺性挑战.
• 该框架为现实世界的认知努力监测提供了可扩展和准确的解决方案.