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。     

基于样本选择的跨被试脑力负荷识别

人体的脑力负荷状态与人机操作工作时的工作效率,人力资源分配以及事故的发生等息息相关,因此研究操作人员的脑力负荷状态具有重要意义。为了解决现有脑力负荷识别方法由于训练集中样本数量过少导致分类效果较差的问题,本文提出了一种基于样本选择的跨被试脑力负荷识别方法。将其他被试的脑电数据作为训练集,参考目标被试的少量历史数据对训练集中的特征数据进行样本选择,实现减少样本数量的同时减少训练集和测试集之间的域差异,之后再通过主成分分析对样本选择后的自适应训练集和目标被试测试集特征进行特征降维,最后再用自适应训练集主成分建立支持向量机分类模型识别测试集样本的脑力负荷状态。结果表明,该方法可以在提高分类效率的同时提高分类精度,实现快速、准确的脑力负荷状态识别。