通过脑电图和深度学习方法自动识别心理认知工作负载
Ali Khaleghi1, Shahab Alaedin Baloochi2, Hamid Majidi3
1Psychiatry and Psychology Research Center, Tehran University of Medical Sciences, Tehran, Iran.
Computer methods in biomechanics and biomedical engineering
|October 15, 2025
概括
这项研究引入了一种使用电脑电图 (EEG) 信号自动识别认知工作负载的新系统. 先进的深度学习模型在区分工作负载级别方面实现了高准确性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 传统的认知工作负载识别方法有局限性.
- 脑电图 (EEG) 信号提供了对大脑活动的非侵入性测量.
- 准确的工作量评估对于性能和安全至关重要.
研究的目的:
- 开发一种使用EEG信号识别认知工作负载的自动化系统.
- 克服现有的工作负载识别技术的局限性.
- 将深度学习与先进的信号处理相结合,以提高准确性.
主要方法:
- 使用了一种预先训练的卷积神经网络 (CNN),即Xception网络.
- 功能连接矩阵是使用纠正的虚拟相锁定值 (ciPLV) 方法生成的.
- CNN处理了ciPLV矩阵,其输出与非线性动态特征相结合.
- 一个feedforward神经网络执行了最终的分类.
主要成果:
- 综合系统在工作负载识别方面实现了高准确度.
- 在区分两个工作负载级别时,获得了超过98%的准确性.
- 在区分三个工作负载级别时,获得了92.50%的准确性.
- 该方法证明了将深度学习与先进的EEG功能相结合的有效性.
结论:
- 拟议的集成深度学习系统显示了自动认知工作负载识别的重大前景.
- 与传统技术相比,这种新的方法提供了一个更准确,更有效的方法.
- 这些发现突显了先进的信号处理和机器学习在理解认知状态方面的潜力.
