基于混合自编码器的脑力负荷识别

为了消除多通道近红外光谱信号中存在的冗余信息并提取抽象特征,构建了基于混合自编码器的脑力负荷识别模型。首先,将原始信号送入栈式自编码器中进行通道降维;然后使用卷积自编码器对降维后的信号进行无监督学习从而提取抽象特征,并将特征依次送入支持向量机、K最近邻、随机森林这3种基分类器中进行建模;最后,用软、硬投票的集成策略来提高模型对脑力负荷识别的准确性。实验结果表明,混合自编码器具有良好的通道降维和提取抽象特征的能力,该模型在脑力负荷三分类任务中的准确率可以达到95.12%,相对于同类研究准确率有明显提升。