基于自注意力的胶囊网络脑工作负荷分类

脑工作量是为执行任务而支付的脑力资源的数量,评价工作任务引起的脑工作负荷水平对于优化操作员的负荷分担至关重要.本文提出一种基于自注意力的胶囊神经网络脑工作负荷检测方法:使用脑电图频谱特征和空域特征的融合来完成工作负荷评估.模型主要由卷积层、自注意力层、主胶囊层和脑工作负荷胶囊层构成,对7名受试者执行的脑工作负荷任务中的3个工作负荷水平分别提取了频带能量和功能连接性特征,并进行了融合,利用卷积层捕获融合特征的深度特征,随后使用自注意力机制进一步挖掘融合特征中大脑区域间传导的规律以及不同区域的频带能量变化(即其空间维度信息的转变过程),从而学习到不同状态下脑电特征中隐含的异常信息模式,同时利用胶囊网络在提取局部特征的同时关注全局结构信息.本文方法对于脑工作负荷评估的分类准确率为87.72%,且对高等级的脑工作负荷识别率更高.

事件相关电位(P300)脑电信号解码的两个问题及其解决方法

为提高脑机接口系统中目标分类准确率并保证一定的信息传输速率,本文首先建立了多尺度卷积神经网络模型,然后建立一个通道选择算法,给出针对每个被试的、更有利于分类的通道组合.最后利用第十七届中国研究生数学建模竞赛C题公开数据训练得到面向受试者的P300识别的特定模型.实验结果表明:筛选出特定5位被试者的最优通道,识别平均准确率最高可达72%,平均信息传输速率最高可达35.7bits/min,取得了较好的效果.