以人为中心的认知状态识别使用生理信号:对跨应用领域的机器学习策略进行系统审查

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 认知状态的识别对于提高高风险环境中的性能和安全至关重要.
• 分析生理信号的进步是由机器学习 (ML) 和深度学习 (DL) 推动的.

研究的目的:

• 从2010年到2024年初,系统地审查认知状态识别方面的进展.
• 分析方法,数据模式和现场应用的演变.

主要方法:

• 来自五个主要数据库 (Scopus,工程村,科学网,IEEE Xplore,PubMed) 的405篇文章的系统审查.
• 纳入标准侧重于在实践中使用生理信号和ML/DL的研究.
• 分析方法 (ML与DL),数据模式 (神经成像与多式联络) 和应用领域的趋势.

主要成果:

• 从传统的ML转向DL分析生理信号的显著转变,DL将在2023年之前占主导地位.
• 更多地使用多模式生理信号,而不是神经成像,以获得更全面的见解.
• 电心电图 (ECG) 成为最常用的模式,通常用卷积神经网络 (CNN) 进行分析.

结论:

• 深度学习和多模体生理信号集成,特别是ECG与CNN,代表了认知状态识别的当前最先进状态.
• 未来的研究趋势包括保护隐私的方法,如差异隐私和联合学习.
• 认知状态识别具有显著的潜力,可以提高汽车,航空,海事和医疗保健领域的性能,安全和创新.