基于视觉和操作类脑电信号的脑力负荷分类

doi:10.13438/j.cnki.jdzk.2022.01.006

吉首大学学报（自然科学版） ›› 2022, Vol. 43 ›› Issue (1): 31-37.DOI: 10.13438/j.cnki.jdzk.2022.01.006

基于视觉和操作类脑电信号的脑力负荷分类

曲洪权，刘欲哲，庞丽萍，单一平

(1.北方工业大学信息学院，北京 100144；2.北京航空航天大学航空科学与工程学院，北京 100191)

出版日期:2022-01-25 发布日期:2022-05-16
通讯作者: 庞丽萍(1973—)，女，黑龙江海林人，北京航空航天大学航空科学与工程学院教授，博士，主要从事人机与环境工程研究.
作者简介:曲洪权(1973—)，男，黑龙江青冈人，北方工业大学信息学院教授，博士，主要从事数据科学技术研究
基金资助:
国家自然科学基金资助项目(XLYC1802092)

Mental Workload Classification Based on Visual and Operational EEG Signals

QU Hongquan,LIU Yuzhe,PANG Liping,SHAN Yiping

(1.School of Information Science and Technology,North China University of Technology,Beijing 100144,China;2.School of Aeronautic Science and Engineering,Beihang University,Beijing 100191,China)

Online:2022-01-25 Published:2022-05-16

摘要/Abstract

摘要：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%.

关键词： 脑力负荷, 独立分量, 支持向量机, 脑电信号

Abstract: A classification method is proposed based on EEG independent component features for the mental workload classification of visual and operational task.First,the independent component analysis method is used to decompose the independent components of the EEG signals from the mixed EEG signals;then the energy features of the four different frequency bands of the EEG independent components are extracted;and the energy features are classified.The mental workload classification experiments were carried out based on EEG signal features and EEG independent component features respectively,and the classification accuracy was 60.52% and 86.14%,with the latter increased by 42.33%.

Key words: mental workload, independent component, support vector machine, EEG signal

曲洪权, 刘欲哲, 庞丽萍, 单一平. 基于视觉和操作类脑电信号的脑力负荷分类[J]. 吉首大学学报（自然科学版）, 2022, 43(1): 31-37.

QU Hongquan, LIU Yuzhe, PANG Liping, SHAN Yiping. Mental Workload Classification Based on Visual and Operational EEG Signals[J]. Journal of Jishou University(Natural Sciences Edition), 2022, 43(1): 31-37.

参考文献

[1] 明东,柯余峰,何峰,等.基于生理信号的脑力负荷检测及自适应自动化系统研究:40年回顾与最新进展[J].电子测量与仪器学报,2015,29(1):1-13.
[2] 顾浩,尹钟.基于脑电信号与集成分类器的心理负荷评估[J].软件导刊,2019,18(11):1-4.
[3] 肖元梅.脑力劳动者脑力负荷评价及其应用研究[D].成都：四川大学，2005：1-5.
[4] LEMM STEVEN，BLANKERTZ BENJAMIN，DICKHAUS THORSTEN，et al.Introduction to Machine Learning for Brain Imaging[J].Neuroimage，2011，56(2)：387-399.
[5] 刘维平,聂俊峰,金毅,等.基于脑电的乘员信息处理作业脑力负荷状态识别模型[J].科学技术与工程,2017,17(20):35-41.
[6] ZHAO Guozhen，LIU Yongjin，SHI Yuanchun，et al.Real-Time Assessment of the Cross-Task Mental Workload Using Physiological Measures During Anomaly Detection[J].IEEE Transactions on Human-Machine Systems，2018，48(2)：149-160.
[7] COMON PIERRE.Independent Component Analysis，a New Concept?[J].Signal Processing，1994，36(3)：287-314.
[8] 冯传宴,完颜笑如,刘双,等.负荷条件下注意力分配策略对情境意识的影响[J].航空学报,2020,41(3):129-138.
[9] ABDULLAH AHMED KAREEM，ZHU Zhangchao，LIAN Siya，et al.Blind Source Separation Techniques Based Eye Blinks Rejection in EEG Signals[J].Information Technology Journal，2014，13(3)：401-413.
[10] KOLDOVSKY ZBYNEK,TICHAVSKY PETR,DJA ERKKI.Efficient Variant of Algorithm Fast ICA for Zndependent Component Analysis Attaining the Cramr-Rao Lower Bound[J].IEEE Transactions on Neural Networks,2006,17(6):1265-1277.
[11] VENABLES LOUISE，FAIRCLOUGH STEPHEN H.The Influence of Performance Feedback on Goal-Setting and Mental Effort Regulation[J].Motivation & Emotion，2009，33(1)：63-74.
[12] MURATA ATSUO.An Attempt to Evaluate Mental Workload Using Wavelet Transform of EEG[J].Human Factors the Journal of the Human Factors & Ergonomics Society，2005，47(3)：498-508.
[13] BORGHINI GIANLUCA，ASTOLF LAURA，VECCHIATO GIOVANNI，et al.Measuring Neurophysiological Signals in Aircraft Pilots and Car Drivers for the Assessment of Mental Workload，Fatigue and Drowsiness[J].Neuroscience & Biobehavioral Reviews，2014，44：58-75.
[14] WANG Xiaowei，NIE Dan，LU Baoliang.Emotional State Classification from EEG Data Using Machine Learning Approach[J].Neurocomputing，2014，129：94-106.
[15] SUN Zhuo，QIAO Yuchuan，LELIEVELDT B，et al.Integrating Spatial-Anatomical Regularization and Structure Sparsity into SVM：Improving Interpretation of Alzheimer's Disease Classification[J].Neuroimage，2018，178：445-460.
[16] 周志华.机器学习:=Machine learning[M].北京:清华大学出版社，2016:37-41.

基于视觉和操作类脑电信号的脑力负荷分类

Mental Workload Classification Based on Visual and Operational EEG Signals

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 13

编辑推荐

Metrics

本文评价

[1]	谢静, 杨盘隆, 魏星. 自适应跌倒前实时检测方法[J]. 吉首大学学报（自然科学版）, 2021, 42(3): 34-40.
[2]	邱国枢，张翔，刘军，王蕾，田青，郭建华. 基于图像处理的车辆识别系统设计[J]. 吉首大学学报（自然科学版）, 2019, 40(5): 18-24.
[3]	王军. 安徽省某地区中长期电力负荷预测[J]. 吉首大学学报（自然科学版）, 2018, 39(6): 46-49.
[4]	彭思江，戴厚平，周成富，刘倩. 基于HOG/PCA/SVM的跨年龄人脸识别算法[J]. 吉首大学学报（自然科学版）, 2018, 39(5): 24-28.
[5]	陈丽，王景芹. 可靠性约束函数未知的网路费用最小化快速求解[J]. 吉首大学学报（自然科学版）, 2016, 37(4): 19-24.
[6]	杜经纬. 基于支持向量机的P2P流量管理模型设计[J]. journal6, 2015, 36(4): 26-29.
[7]	申瑛, 杨焕志, 张振彬, 曾庆欢李平, 陈炳权, 张榜英. 基于活动轮廓与模糊型支持向量机的车辆分类算法[J]. journal6, 2015, 36(2): 55-59.
[8]	彭华, 莫礼平, 唐赞玉. CVE漏洞分类框架下的SVM学习模型构建[J]. journal6, 2013, 34(4): 62-66.
[9]	彭华, 李宗寿. 基于SVM的CVE漏洞分类框架构造[J]. journal6, 2013, 34(1): 66-71.
[10]	李海, 李春来, 侯德艳. 支持向量机下机器学习模型的分析[J]. journal6, 2010, 31(3): 39-42.
[11]	向昌盛, 周子英. 基于支持向量机的混沌时间序列预测[J]. journal6, 2009, 30(6): 35-39.
[12]	张洪欣, 贾笠鑫. 基于盲源分离的心室晚电位信号检测[J]. journal6, 2008, 29(1): 62-65.
[13]	刘广利, 杨志民. 一种新的支持向量回归预测模型[J]. journal6, 2002, 23(3): 28-31.