使用EEG神经元组的ACXNet混合深度学习模型进行跨任务心理工作负载估计

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 人与计算机的交互

背景情况:

• 心理工作负担显著影响人类的表现和任务效率.
• 传统的工作量评估方法 (主观报告,绩效指标) 有局限性.
• 电脑电图 (EEG) 提供了对认知状态的客观,连续的测量.

研究的目的:

• 提出一种新的混合方法,ACXNet,使用EEG精确估计心理工作负载.
• 开发一种方法,可以学习跨任务的EEG特征,而无需对特定主题进行校准或预先标记数据.
• 为了提高心理工作负载评估的稳定性和精度,用于现实世界的应用.

主要方法:

• ACXNet集成了用于无监督特征提取的自动编码器,用于空间时间依赖的卷积神经网络 (CNN),以及用于分类的XGBoost.
• 利用STEW数据集与48名参与者在不同认知负载下进行的EEG记录.
• 采用二进制分类策略来区分低和高的心理工作负载条件.

主要成果:

• ACXNet实现了高精度:92.10%的SIMKAP任务和89.94%的没有任务条件.
• 该模型在心理工作负载估计方面表现优越,与现有方法相比.
• 成功地学习了跨任务的EEG特征,而不需要事先对特定主题进行校准.

结论:

• 在心理工作负载估计方面,ACXNet提供了显著的进步,提高了准确性和稳定性.
• 拟议的方法提供了一个可扩展的解决方案,可以适应各种现实世界的场景.
• 这项研究为智能系统在人机交互和医疗保健领域开辟了新的可能性.