基于卷积神经网络和领域泛化的跨操作员认知负荷识别

基于脑电信号(EEG)的操作员认知负荷识别(CWR)在人机交互系统和被动式脑机接口中有重要价值,然而EEG的非稳态性和被试差异性极大阻碍了跨操作员CWR这一现实场景的快速应用。该文针对跨操作员CWR精度低等问题,提出一种基于卷积神经网络(CNN)和领域泛化(DG)的联合共享特征优化方法(CNN_DG)。该方法通过使用已有操作员(源域)的数据提高未知操作员(目标域)的CWR性能,其主要包括3个模块:深度特征提取器、标签分类器和领域泛化器。深度特征提取器学习可迁移的源域之间的共享知识表征;标签分类器进一步学习深层表征并预测负荷级别;领域泛化器通过与特征提取器进行对抗训练来减少源域间的数据分布差异,从而保证学习特征的共享性。该文在多属性任务组(MATB II)模拟飞行任务竞赛数据集1和2上进行两个三分类的跨操作员CWR实验,并采用留一被试交叉验证策略验证模型识别性能。实验结果表明所提CNN_DG方法显著优于比较方法,验证了其在跨操作员CWR领域的有效性和泛化性。

用于半监督分类的二阶近似谱图卷积模型

近年来,基于局部一阶近似的谱图卷积方法在半监督节点分类任务上取得了明显优势,但是在每次更新节点特征表示时,只利用了一阶邻居节点信息而忽视了非直接邻居节点信息.为此,本文结合切比雪夫截断展开式及标准化的拉普拉斯矩阵,通过推导及简化二阶近似谱图卷积模块,提出了一种融合丰富局部结构信息的改进图卷积模型,进一步提高了节点分类性能.大量的实验结果表明,本文提出的方法在不同数据集上的表现均优于现有的流行方法,验证了模型的有效性.