基于改进注意力机制的领域对抗网络的认知负荷识别模型

在认知负荷识别领域,精确的跨领域识别对提高模型的鲁棒性和适应性至关重要,其中基于脑电信号(EEG)的评价方法当前已经成为研究的主流方向,但是由于脑电信号自身具有差异性非稳态性的特点,因此需要提高脑电信号在测量时的泛化性,有效实现通过测量EEG信号进行认知负荷识别.本文提出了一种增加注意力机制的长短时记忆网络和领域对抗网络相结合的深度学习模型,在领域对抗网络中加入了通过经验模态分解(EMD)计算的近似熵注意力机制,该模型通过集成注意力机制增强特征提取能力,能够有效捕捉与认知负荷相关的关键信息;同时通过源域和目标域之间的不断对抗,混淆源域与目标域之间的分布差异,达到提高模型识别泛化性的效果.在完成模型构建之后,选择现有方法与本文提出模型进行对比,取得了较好成绩,证明了本文模型在EEG识别中的优越性.