基于集成SDAE和EEG的跨被试认知工作负荷识别

基于脑电信号评估人机系统中操作员认知工作负荷状态,可以有效阻止操作员工作性能下降。文中提出一种跨被试认知工作负荷分类器E-SDAE,以适应被试间脑电特征分布的变化。该算法包括高水平个性化特征抽象和决策融合两个模块。特征滤波器利用基学习器SDAE来抽象一组被试的脑电特征。监督分类器利用超限学习机的随机性来融合经Q-statistics处理后得到的滤波脑电抽象。任务1和任务2分别取得0.6353和0.6747的分类率,并且显著优于一些传统的认知工作负荷评估器。时间复杂度计算结果表明,E-SDAE的计算负荷对于高维脑电特征是可接受的。

基于信息理论的核电厂操纵员认知工作负荷研究

文章基于信息理论模型下信息传输原理——信源通过编码器到信道,再经译码器传输给信宿,提出了核电厂操纵员认知工作负荷模型。将显示屏显示的信息、其他操纵员口述信息看做信源,人的视觉听觉接收器看做编码器,大脑中枢及附属神经系统看做信道,大脑中枢信息处理为译码器,人机系统为信宿。并提出了该模型下的"编码器","译码器"阶段及界面管理的认知工作负荷的几个影响因素,用层次分析法分析验证了它们的重要程度,为提高操纵员认知工作效率提供建议。

基于混合脑机接口通道选择与分层特征融合的认知工作负荷识别

基于脑电信号(EEG)与功能近红外光谱(fNIRS)生理数据的认知工作负荷识别研究在脑机接口领域备受关注。然而,复杂的数据采集环境对通道间数据产生不可控影响,严重制约了模拟人类大脑信息传输过程的模型准确性与完整性。针对此问题,提出一种改进的动态图注意力通道选择方法,通过图注意力网络(GAT)返回的注意力得分进行通道选择,从而减少环境干扰,提升模型鲁棒性。此外,简单特征融合会忽略不同模态间的异构性而导致重要信息丢失,因而设计了分层特征融合模块。该模块通过有效整合EEG与fNIRS不同层次的特征信息,从而增强了模型对认知任务的识别能力。在柏林工业大学提供的两个公开的心算任务和N-Back任务数据集上进行了验证,在被试依赖的训练策略下,对每名被试采用十折交叉验证方法,分别取得了85.44%和91.72%的平均精度,相比于当前先进方法,该方法表现出一定优势。实验结果表明,该模型能够在复杂数据环境下有效识别认知工作负荷,同时所提出的通道选择方法对于降低计算成本、排除无关通道具有重要意义。