使用干电极EEG数据进行自动认知任务分类的机器学习框架
Eleftherios Kontopodis1,2, Christodoulos Serafeim1, Dionisis Cavouras1
1Department of Biomedical Engineering, University of West Attica, Athens, Greece.
Advances in experimental medicine and biology
|November 18, 2025
概括
这项研究开发了一种脑电图 (EEG) 分析框架,以准确估计认知工作量和任务参与度. 该系统在区分不同认知任务方面取得了高精度,显示了实时监控的潜力.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 生物医学工程 生物医学工程
背景情况:
- 脑电图 (EEG) 被广泛用于研究认知任务期间的大脑活动.
- 准确估计认知工作量和任务参与度对于理解认知过程至关重要.
- 现有的方法可能缺乏实时监控所需的精度.
研究的目的:
- 实施EEG采集协议和分析框架,用于估计认知工作量和任务参与度.
- 使用EEG数据区分认知任务.
- 评估拟议框架的准确性和效率.
主要方法:
- 使用一个20通道干电极EEG设备与五名参与者.
- 参与者执行了三个不同的认知任务:基线 (口头计数),语言 (口头流利测试) 和推理 (乌的矩阵).
- 分析了EEG特征,包括带功率Beta和Theta,平均青少年能量和统计措施.
主要成果:
- 个别的EEG频道特征有效地歧视了基线与基线的比较. 语言和基线与基线. 推理任务. 推理任务.
- 来自多个道的功能组合区分语言与语言. 推理任务. 推理任务.
- 该框架在工作负载和任务识别的两类分类问题中达到高达96%的准确性.
结论:
- 拟议的分析框架准确地估计了认知工作量,并确定了参与的任务.
- 该系统展示了开发实时认知工作负载监控系统的潜力.
- 脑电图分析为客观评估认知状态提供了一种可行的方法.
