注意引导的深度学习-机器学习和统计特征融合,用于从EEG进行可解释的心理工作负载分类.

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 人与计算机的交互

背景情况:

• 使用脑电图 (EEG) 进行精确的心理工作量 (MWL) 评估对于关键领域的实时认知监测至关重要.
• 现有的计算方法往往缺乏稳定性,可解释性,或无法捕捉复杂的神经动态.

研究的目的:

• 引入一种新的混合深度学习和XGBoost堆叠组合,以从EEG.提供可靠和可解释的MWL分类.
• 通过整合不同机器学习方法的互补优势,提高MWL评估的准确性和概括性.

主要方法:

• 一个混合框架,结合了CNN-BiLSTM-Attention深度学习分支和XGBoost分支,通过后勤回归堆叠组合集成.
• 综合的EEG预处理,特征提取 (时间,频率,波量,,分数维度) 和特征选择 (ANOVA F值) 产生200个特征.
• 在STEW和EEGMAT数据集上进行验证,使用注意热图和SHAP值进行解释性分析.

主要成果:

• 在STEW数据集上达到96.87%的准确性,在EEGMAT数据集上达到99.40%.
• 在各自的数据集上表现优于16和7之前发表的最先进的技术.
• 通过注意热图和SHAP价值分析来证明增强的解释性.

结论:

• 拟议的混合深度学习和XGBoost堆叠组合框架为基于EEG的MWL评估提供了卓越的性能和可解释性.
• 这种方法有效地利用了空间时间动态的深度学习和工程特征的经典机器学习,提高了现实世界的应用性.