基于HOG特征的脑电地形图分类算法研究

脑电地形图(Brain Electrical Activity Mapping,BEAM),是一种先进的研究脑功能和临床诊断的重要手段,既能进行病理诊断又可进行功能诊断,具有较高的敏感性。通过BEAM判断人在不同高低负荷下的疲劳情况并进行有效分类,能最大程度避免高危从业人员的危险发生。目前,大多数脑力负荷分类方法只是简单地利用脑电信号的四种频段特征进行分类,但分类效果并不理想。在此基础上,提出将脑电信号可视化分析,构建脑电地形图,并将方向梯度直方图(Histogram of Oriented Gradient,HOG)特征应用到BEAM分类中。BEAM是根据各频段功率谱密度值用不同颜色表示的球面头皮展成的平面图形,所以针对BEAM的分类研究是基于图像浅层特征的,而HOG正是图像处理中一种简单有效的浅层特征描述符。在BEAM中,HOG能有效地提取各脑功能区的边缘结构特征,并且能提取到地形图表象和形状的方向分布。首先将采集到的脑电信号进行预处理后,选择三频段脑电特征构建BEAM,进行HOG特征提取及分类任务,并与其他算法进行对比。得到的脑电地形图分类结果表明,提取HOG特征的BEAM分类精度最高,明显好于其他研究算法。

VDT模拟作业的脑功能网络分析及脑力负荷识别研究

为了寻找脑力负荷的测量和分类识别指标,设计了两种不同难度的心算任务以模拟视觉显示终端(VDT)作业,记录了18名被试的主观评分和工作绩效,并通过功能连接分析与复杂网络分析提取脑电信号的特征值,建立脑力负荷识别的SVM模型。结果显示:高难度任务下被试的主观评分和反应时长显著上升,心算正确率显著下降;Alpha频带脑电信号的同步性、脑功能网络的节点度、平均聚类系数,全局效率和局部效率在高难度任务中显著降低;基于脑功能网络特征参数的脑力负荷SVM生理识别模型的正确分类率达到了88.0%。