基于EEG的乘员信息处理作业脑力负荷状态识别模型

脑力负荷状态的准确识别是装甲车辆乘员信息处理作业行为研究的关键技术,对提高人机系统的作战效能具有重要意义。针对乘员作业类型向信息处理作业转变的基本趋势,提出了融合小波包分解（WPD）和快速独立分量分析（FastICA）的脑电信号预处理方法,建立了反映脑力负荷状态的EEG信号特征空间,基于粒子群优化（PSO）算法和支持向量机（SVM）构建了乘员信息处理作业脑力负荷状态识别模型,并面向目标录入典型信息处理作业对识别模型进行了实例应用,旨在为解决乘员信息处理作业脑力负荷的准确识别探索新的途径。结果表明,该模型脑力负荷状态识别的平均正确率可达96%,可实现不同乘员脑力负荷的量化识别,具有良好的预测精度和可重用性。     

基于自适应主成分分析维度寻优的脑力负荷识别

脑力负荷识别对提高作业操作人员工作效率,减少人因事故具有重要意义。然而,由于脑电(electroencephalogram, EEG)信号的采集是由多通道脑电帽采集的,并且分布在各个频带上,因此经过特征提取得到的特征维度过高,造成后续识别模型复杂度过高。对此,通常使用主成分分析(principal component analysis, PCA)对高维特征向量进行降维处理,但是降维维度的取值很难确定。提出了一种基于主成分分析的自适应维度寻优方法,将实验数据集中的高维特征使用主成分分析降维到寻优维数范围内的各个维度,并将各个维度的分类精度绘制成维度—分类精度曲线,通过识别该曲线的“肘部”来确定该实验数据集的最优降维维度,并将该维度应用到同实验的其他实验数据上进行脑力负荷识别。结果表明,该方法可以准确识别出在同实验数据集中通用的最优降维维度,有效提高识别效率。     

脑电信号中独立分量特征提取与脑力负荷分类

脑力负荷过高会造成作业绩效下降和人因事故,过低则会造成人力资源浪费,所以研究操作人员脑力负荷状态非常有意义。现有脑力负荷分类方法利用脑电(electroencephalogram, EEG)信号特征进行分类,准确率较低。所以,本文针对视觉和操作类脑力负荷提出一种基于脑电独立分量特征的分类方法,该方法采用独立分量分析(Independent Component Analysis, ICA)对脑电信号进行分离,直接对得到的独立分量提取四种不同频段的能量特征,最后将特征作为支持向量机(Support Vector Machine, SVM)的输入,对脑力负荷进行分类。由于直接使用脑电独立分量特征,所以分类精度高于现有方法,平均分类精度提高29.14%。本文还进一步发现脑电独立分量中存在的眼电伪迹对分类结果没有明显影响。本文提出的方法可以实现快速、准确、自动的脑力负荷分类。     

基于视觉和操作类脑电信号的脑力负荷分类

针对视觉和操作类任务，提出了一种基于脑电独立分量特征的脑力负荷分类方法.利用独立分量分析法从混合脑电信号中分解获得脑电信号的独立分量，再提取脑电独立分量的4个不同频段的能量特征，并对能量特征进行分类.基于脑电信号特征和脑电独立分量特征分别进行了脑力负荷分类实验，得到平均分类准确率分别为60.52%，86.14%，后者比前者提高了42.33%.     

基于双子空间PCA降维的脑力负荷分类

人类社会至今的飞速发展使得大量体力劳动被机械工程替代,工作者的任务重心也从体力劳动逐渐转变为脑力劳动,对操作者脑力负荷进行实时评估以增强工作效率在当下有着重大意义。目前人类对于脑力负荷评估共有三种方式,有研究表明,采用生物电信号进行脑力负荷分类效果较其余两种方法更客观。但脑电信号经过特征提取后维数极高,所需数据量和运算量巨大,需要对其进行降维。目前降维方面最广泛运用的两种算法为主成分分析（PCA）和线性判别分析（LDA）。针对PCA的非监督性和LDA的特征冗余敏感性,本文提出一种二分类下基于双子空间主成分分析的降维算法,分别对不同类别的训练集数据进行主成分分析,并将所有训练集数据映射到生成的空间中,再次进行PCA-LDA降维,以此提高降维后数据的可分性。实验结果表明,双子空间PCA-LDA降维算法在二分类任务下测试集精度整体高于单子空间PCA-LDA算法,以此为脑力负荷分类领域和高维数据降维领域提供了新思路。     

基于验证集辅助的脑电信号包裹式降维

当今时代信息技术的高速发展促使人们对人机交互领域投以更多的目光,随时监测操作者脑力负荷情况并依此对操作者的任务工作量进行调整,在当下有着重要意义。有研究表明,脑电信号功率谱密度对于脑力负荷分类任务较为适用,但脑电特征维数较高,极易出现维度灾难。目前机器学习中降维方面应用最广泛的算法为主成分分析(principal component analysis, PCA),针对主成分分析在脑电信号分类上的不适应性和支持向量机(support vector machine, SVM)对特征间关系的敏感性,提出了基于PCA-SVM与逐阶枚举法的包裹式降维方法,在特征工程阶段引入固定验证集概念辅助包裹式降维,以验证集精度为指标调整特征工程方案,以此提高数据降维后的可分性。由于引入了监督学习概念,实验结果表明,基于PCA-SVM与逐阶枚举法降维过后的数据分类精度要普遍高于只依靠传统PCA的降维方式,以此为高维生物电数据降维提供了新思路。     

基于RLLE算法的脑力负荷分类研究

近年来,随着人工智能领域技术的不断发展,脑机接口(Brain-Computer Interface,BCI)吸引了更多学者的关注。实时监测高强度脑力工作者的脑力负荷水平并其任务做出动态调整是保护国家财产和操作人员安全的重要手段。研究表明由脑电图(Electroencephalogram,EEG)提取的特征功率谱密度对于脑力负荷的变化比较敏感,但由于其维数过高,容易造成数据灾难。传统的主成分分析（Principal Component Analysis,PCA）算法会损失部分非线性特征。局部线性嵌入（Locally Linear Embedding,LLE）是常用的非线性降维算法,但该算法对噪声的敏感性高,降维结果受参数影响较大。稳健局部线性嵌入算法RLLE（Robust Locally Linear Embedding）,在LLE优化权重矩阵时添加了正则项优化,不仅增强了模型的抗噪能力,也解决了解模型过程中可能会出现的矩阵病态和奇异性问题。该算法中的参数k在使用时经常选取较小的值以更好地捕捉数据集的局部结构,并大大减少了模型的计算时间。但脑电数据具有维数高,复杂度高的特点。选取小的k值不仅会导致模型对噪声异常敏感,也会使模型忽略重要的大邻域结构从而影响降维结果的准确性。本实验在使用该算法时,结合模型精度和计算时间选取了更合理的k值区间,使模型在保持高效的同时具有更强的抗干扰能力,并可以提供更全面的信息来描述数据集,使得嵌入结果更加准确。实验结果表明,经过RLLE降维后的数据使用支持向量机（Support Vector Machine, SVM）分类精度普遍高于经过PCA的降维方式,具有更强的抗干扰能力。     

基于脑电的轻装作业操作者脑力负荷与绩效的分析

针对脑力负荷过高或过低导致产品质量低、生产效率低的问题,采用脑电(EEG)生理测量技术,模拟轻装产品的手工装配生产。设计了单产品装配和产品组合装配实验方案,探究操作者脑力负荷与工作绩效之间的关系。采集了25位志愿者的EEG负荷指标、装配完成率和装配时间三种指标数据,分析结果表明:EEG负荷指标的波动趋势可以有效地反映操作者的任务绩效,但波动状态与具体装配任务有关;与单产品装配方式相比,产品组合装配方式可以在保证装配质量的前提下有效缓解操作者脑力负荷。研究结果提升了手工装配作业下操作者脑力负荷波动状态的认识,有助于管理者制定更优的产品生产计划方案。     

基于样本熵的注意力相关脑电特征信息提取与分类

提出一种用样本熵作为特征进行注意力相关脑电信号的分析与分类处理、并采用支持向量机(SVM)算法实现分类器的方法.7位年龄在20~30岁之间的男性受试者接受了执行3种不同注意任务状态下的测试.数据分析结果显示:样本熵分类法对注意任务相关脑电信号分类的正确率可达85.5%,优于传统频段能量法获得的分类精度(77.9%).这个结果暗示了样本熵能有效地识别出自发脑电中注意力相关信息,因而它可在脑电生物信息反馈治疗系统设计中获得广泛的应用.     

基于人脸局部特征和SVM的表情识别

提出了一种基于人脸局部特征的表情识别方法．首先选取人脸重要的局部特征,对得到的局部特征进行主成分分析,然后用支持向量机（SVM）设计局部特征分类器来确定测试表情图像中局部特征,同时设计支持向量机（SVM）表情分类器,确定表情图像的所属类别．对JAFFE人脸图像数据库进行仿真实验．结果表明,该方法要优于一般的基于整体特征的人脸表情识别方法．     

基于PCA的参数化间隔双子支持向量机及其在手写体识别上的应用

改进了基于参数化间隔的双子支持向量机算法的预处理过程,在数据预处理阶段使用了主成分分析法对数据进行降维,提出了基于主成分分析的参数化间隔双子支持向量机,从而加快了整个算法的训练速度.公共数据库上的实验结果显示了该算法的优秀分类能力,对高维数据集的降维效果也比较成功.最后,将这种算法应用到手写体数字识别技术上,实验结果显示出该算法较好的分类性能.     

基于主成分分析和球结构支持向量机的人耳识别方法

提出一种基于主成分分析和球结构支持向量机的人耳识别方法.首先将人耳从侧面人脸中提取出来,然后采用主成分分析方法对人耳图像进行特征提取,最后采用球结构支持向量及对人耳图像进行训练和识别.与传统的多分类方法相比,该分类方法识别性能更高,这为非打扰式生物特征识别提供了一条有效途径.     

基于脑力负荷预测技术的多乘员舱任务分配方案优选方法

针对信息化条件下装甲车辆舱室乘员人数逐渐减少的基本趋势,对乘员的操作特性进行了分析,并运用多资源理论（MRT）构建了乘员脑力负荷预测模型,提出了基于脑力负荷预测技术的乘员舱任务分配优选方法,并以装甲车辆三乘员减少为两乘员作为实例对方法进行了仿真验证,旨在为解决应急任务条件下的装甲车辆舱室任务分配问题探索新的途径.结果表明,该方法能够清楚地描述乘员全任务过程中脑力负荷的变化情况,对任务分配方案进行量化动态优选,具有较好的优选精度和可重用性.      

基于HOG/PCA/SVM的跨年龄人脸识别算法

为了实现跨年龄的人脸识别,通过梯度幅值和梯度方向这2个重要的图像特征测量图像相似度,建立了一种方向梯度直方图 (HOG)、主成分分析 (PCA)和支持向量机（SVM）相结合的人脸识别算法.首先对从FG-NET数据库中选取的人脸图像作预处理,然后用HOG算法提取特征值,用PCA方法降维特征值,最后将样本输入到SVM中进行训练,人脸识别匹配度最高可达90.91%.实验结果验证了算法的有效性.     

基于多生理信息迁移学习的脑力负荷分类

在复杂的人机系统中,保持对实验人员脑力负荷状态的监测对于维护人机系统的安全、高效运行具有极为重要的理论和应用意义。针对现有脑力负荷分类方法识别率低及实际应用时测试样本数据偏移问题,提出了采用迁移学习及脑电和心电特征融合的脑力负荷分类识别方法。基于多任务航空情境操作的MATB-II平台同步采集12名健康受试者的脑电信号和心电信号,分别从时域和频域上提取各生理信息特征并进行融合,在此基础上引入迁移学习,基于迁移成分分析(transfer component analysis, TCA)方法进行特征空间变换,实现源域和目标域的边缘分布适配,并进行脑力负荷分类。实验结果表明,基于多生理信息特征融合识别率高于传统脑力负荷识别方法,使用迁移学习可取得较高的识别准确率,为多生理信息脑力负荷分类研究提供了新方法。     

基于主成份分析的Bagging集成学习方法

机器学习中数据集的冗余特征会影响学习器的泛化能力,一些流行方法如支持向量机和集成学习也难免于此．研究了利用主成份分析进行特征变换对Bagging集成学习算法的影响,提出一种称为PCA—Bagging的算法,并与其它算法比如单个支持向量机、支持向量机Bagging集成、带有特征变换的单个支持向量机等进行了性能比较．在多个UCI标准数据集上的实验表明PCA—Bagging算法具有更好的性能,这说明即使是泛化能力很强的集成学习方法其学习的数据也需要进行适当的特征变换。