通过EEG监测和先进分析,在安全关键行业采取主动绩效评估的综合方法
Gunda Yugaraju1, Mohd Maneeb Masood2, Suprakash Gupta1
1Department of Mining Engineering, Indian Institute of Technology (BHU), Varanasi, India.
概括
一个决策树模型使用脑电图 (EEG) 数据准确地预测了人类的注意力表现. 这种方法增强了认知评估,并优化了关键行业的人类表现.
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:
- 优化人类表现对于安全和效率至关重要,在这些行业,认知波动有严重后果.
- 脑电图 (EEG) 和高级分析提供了理解和改善认知过程的工具,减轻了错误.
研究的目的:
- 通过评估人类表现,开发一种用于认知能力的预测工具.
- 研究EEG数据和机器学习在预测认知状态方面的有效性.
主要方法:
- 收集了EEG数据,重点关注15天内从10名健康成年人的前额叶皮层活动.
- 利用机器学习模型,包括k-最近邻居 (KNN),决策树,支持矢量机器和人工神经网络 (ANN).
- 分析了EEG信号,提取了特征,并使用模型来预测注意力和工作记忆性能.
主要成果:
- 决策树模型在预测注意力能力方面表现出卓越的表现,达到94.25%的灵敏度.
- 决策树模型实现了84.97%的精度和83.47%的注意力预测准确度.
- 人工神经网络 (ANN) 模型在记忆预测方面表现最好,准确率为83.90%.
结论:
- 脑电图信号与机器学习相结合,特别是决策树,显示出预测认知表现的巨大潜力.
- 从EEG获得的眼模式和神经生理学数据对于评估和预测认知能力非常有价值.
- 这种方法提供了一种实际的工具,用于提高各种工业应用中的人类绩效评估.
