基于半监督极限学习机的精神负荷分类

实时操作员的精神负荷(Mental Workload,MWL)监测系统对于自适应操作/辅助系统的设计和开发至关重要。虽然基于数据驱动的方法在MWL识别上已经表现出了较好的性能,但是这些方法难以获取大量的标签生理数据。本文比较了两种不同的特征提取方法:小波包变换和希尔伯特-黄变换的效果,试图将半监督极限学习机(Semi-Supervised Extreme Learning Machine,SS-ELM)应用于仅需要少量标签生理数据的操作人员精神负荷分类。实际数据分析结果表明,SS-ELM可以有效提高MWL模式分类的准确性和效率。由于无标签训练数据可以以较少的额外资源从操作员的自然操作中收集,所以利用无标签数据的半监督方法可以在时间和成本上提高模型开发的效率。