本文選題：腦電圖　切入點(diǎn)：單試　出處：《儀器儀表學(xué)報(bào)》2017年06期 　論文類型：期刊論文

【摘要】：近年來,腦力負(fù)荷估計(jì)已經(jīng)經(jīng)歷了廣泛的研究,因?yàn)楸O(jiān)測(cè)認(rèn)知負(fù)荷的能力能夠防止認(rèn)知超負(fù)荷并且改善工作場(chǎng)所安全。腦電圖(EEG)信號(hào)已經(jīng)被發(fā)現(xiàn)是一種客觀和非侵入性的腦力負(fù)荷的測(cè)量方式。然而,作為實(shí)時(shí)腦力負(fù)荷監(jiān)測(cè)和腦機(jī)接口研究的重要一步,基于單試驗(yàn)EEG數(shù)據(jù)的認(rèn)知負(fù)荷的評(píng)估一直是一個(gè)重大的挑戰(zhàn)。最近,許多高級(jí)的特征提取方法和機(jī)器學(xué)習(xí)算法已經(jīng)被采用于基于EEG的腦力負(fù)荷評(píng)估中。在本研究中,使用在具有2個(gè)難度水平的n-back任務(wù)的執(zhí)行期間記錄的EEG數(shù)據(jù)進(jìn)行了單試驗(yàn)?zāi)X力負(fù)荷分類,測(cè)試了3種類型的特征提取的有效性(譜功率、離散小波變換和公共空間濾波),并評(píng)估了4種分類算法的性能(支持向量機(jī)、K-近鄰、隨機(jī)森林和梯度推進(jìn)分類器)。研究結(jié)果表明,公共空間濾波是性能最好的基于單試驗(yàn)的腦力負(fù)荷分類的特征提取方法,而且最佳性能可以通過將來自譜功率或離散小波變換的特征與來自公共空間濾波的特征相結(jié)合,并采用隨機(jī)森林分類器來實(shí)現(xiàn)。這項(xiàng)研究可能對(duì)基于單試驗(yàn)?zāi)X電圖數(shù)據(jù)的腦力負(fù)荷評(píng)估中的特征提取方法以及機(jī)器學(xué)習(xí)算法的選擇提供一些有用的指導(dǎo)。
[Abstract]:In recent years, brain load estimation has gone through extensive research. Because the ability to monitor cognitive load can prevent cognitive overload and improve workplace safety, EEG EGG signals have been found to be an objective and non-invasive measure of mental load. As an important step in real-time brain load monitoring and brain-computer interface research, the assessment of cognitive load based on single-test EEG data has been a major challenge. Many advanced feature extraction methods and machine learning algorithms have been used in mental load assessment based on EEG. Using the EEG data recorded during the execution of the n-back task with two difficulty levels, a single test mental load classification was performed to test the validity of three types of feature extraction (spectral power, spectral power, spectral power). Discrete wavelet transform and common space filtering are used to evaluate the performance of four classification algorithms (support vector machine (SVM) -nearest neighbor, random forest and gradient advance classifier. Common space filtering is the best feature extraction method based on single-test mental load classification, and the best performance can be achieved by combining features from spectral power or discrete wavelet transform with features from common space filtering. This study may provide some useful guidance for feature extraction and machine learning algorithm selection in brain load assessment based on single test EEG data.
【作者單位】： 新加坡國(guó)立大學(xué)生命科學(xué)中心新加坡神經(jīng)科學(xué)研究所;南洋理工大學(xué)人文社會(huì)科學(xué)學(xué)院;
【分類號(hào)】：R741.044;TP181

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 蓋淑萍;劉軍濤;劉欣陽;王力;蔡新霞;;新型EEG檢測(cè)干電極設(shè)計(jì)制備和測(cè)試研究[J];儀器儀表學(xué)報(bào);2016年01期

【共引文獻(xiàn)】

相關(guān)期刊論文 前3條

1 代忠祥;Bezerianos Anastasios;Chen Shen-Hsing Annabel;孫煜;;基于單試驗(yàn)?zāi)X電圖的n-back任務(wù)中的腦力負(fù)荷分類（英文）[J];儀器儀表學(xué)報(bào);2017年06期

2 李鵬海;許敏鵬;萬柏坤;靳世久;明東;;視覺誘發(fā)電位腦-機(jī)接口實(shí)驗(yàn)范式研究進(jìn)展[J];儀器儀表學(xué)報(bào);2016年10期

3 孫建輝;劉軍濤;徐聲偉;蓋淑萍;蔡新霞;;高精度微弱腦電檢測(cè)數(shù)�；旌峡刂菩酒到y(tǒng)[J];儀器儀表學(xué)報(bào);2016年05期

【二級(jí)參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李學(xué)哲;潘玉民;李孝平;馮海美;;電子血壓計(jì)質(zhì)量檢測(cè)方法與系統(tǒng)的研究[J];國(guó)外電子測(cè)量技術(shù);2015年11期

2 郭小輝;黃英;騰珂;汪衛(wèi)華;劉彩霞;劉平;;全柔性電容式觸覺傳感陣列設(shè)計(jì)與實(shí)驗(yàn)[J];電子測(cè)量與儀器學(xué)報(bào);2015年09期

3 王力;蔣庭君;石文韜;宋軼琳;徐聲偉;蔡新霞;;聚吡咯氧化石墨烯修飾的神經(jīng)微電極陣列[J];電子科技大學(xué)學(xué)報(bào);2015年04期

4 劉磊;孫曉菲;張煜;;基于STM32的可遙控智能跟隨小車設(shè)計(jì)[J];電子測(cè)量技術(shù);2015年06期

5 LI Zhikang;Rahman hebibul;ZHAO Libo;YE Zhiying;ZHAO Yulong;JIANG Zhuangde;;Capacitive micromachined ultrasonic transducer as a resonant temperature sensor[J];Instrumentation;2014年03期

6 張偉林;;基于高輸入阻抗放大器的EEG傳感器設(shè)計(jì)[J];傳感器與微系統(tǒng);2014年11期

7 王斐;王少楠;王惜慧;彭瑩;楊乙丁;;基于腦電圖識(shí)別結(jié)合操縱特征的駕駛疲勞檢測(cè)[J];儀器儀表學(xué)報(bào);2014年02期

8 沙一峰;;基于超高輸入阻抗放大電路的生物傳感器設(shè)計(jì)[J];傳感器與微系統(tǒng);2013年11期

9 顏世玉;劉沖;趙海濱;王宏;;基于小波包分解的意識(shí)腦電特征提取[J];儀器儀表學(xué)報(bào);2012年08期

10 吳澄;陳迪;胡銳軍;陳景東;陳翔;王曉椺;呂寶糧;;柔性襯底MEMS技術(shù)制備腦電圖干電極陣列研究[J];上海交通大學(xué)學(xué)報(bào);2011年07期

【相似文獻(xiàn)】

相關(guān)博士學(xué)位論文 前1條

1 任華;偏執(zhí)型精神分裂癥患者N-back任務(wù)和靜息狀態(tài)腦功能連接差異的fMRI研究[D];天津醫(yī)科大學(xué);2007年

，

本文編號(hào)：1624805