目的研究不同類型、不同難度的認知任務(wù)組合情況下,腦力負荷變化情況的精細表征。方法設(shè)計一種基于邏輯運算、工作記憶和運動執(zhí)行的腦力負荷誘發(fā)范式,利用該范式開展24名男性受試者參與的實驗,采集受試者主觀量表評分、任務(wù)績效和腦電圖(EEG)信號,并計算EEG信號多個頻帶的功率特征。結(jié)果主觀量表和任務(wù)績效分析表明,計算難度、N-back等級均能誘發(fā)出不同等級的腦力負荷;EEG信號分析表明,腦力負荷的增加伴隨著前額葉theta波增強和alpha波的減弱;利用支持向量機(SVM)構(gòu)建腦力負荷分類模型,能實現(xiàn)平均75%單因素三分類正確率和81.7%的腦力負荷三分類正確率;利用逐步回歸模型可實現(xiàn)對腦力負荷的預測。結(jié)論 EEG信號的頻域特征能夠反映多因素認知任務(wù)的腦力負荷變化情況,可以對認知因素水平和腦力負荷進行分類和連續(xù)預測。

【文章頁數(shù)】：10 頁

【部分圖文】：

圖1實驗流程設(shè)計

希望搜集每個受試者對實驗過程中每個Block的主觀腦力負荷評價，考慮到實驗的Block較多，而NASA-TLX量表等[18]較為復雜，在實驗過程中多次（26次）重復填寫效率較低且影響實驗正常進行，故采用單一指標的RSME(ratingscalementaleffort)[1....

圖2動態(tài)/靜態(tài)按鍵范圍的主觀評價和績效

計算所有受試者所有試次的各個通道、各個頻段的功率，作為該試次的EEG特征。根據(jù)計算難度和N-back等級分組，其歸一化Z-分數(shù)分布情況如圖4所示，其中（a)～(e）分別表示delta,theta,alpha,beta低頻和beta高頻頻段功率。5幅子圖中，從左至右每一列表示了N-....

圖3計算難度和N-back等級的主觀評價和績效

圖2動態(tài)/靜態(tài)按鍵范圍的主觀評價和績效據(jù)圖4(a）和4(b），大部分腦區(qū)的delta和theta波段的功率隨計算難度、N-back等級的增高而增高，尤其集中在額葉區(qū)域。而圖4(c)～(e）中，大部分腦區(qū)的alpha、beta低頻和beta高頻頻段的功率，則表現(xiàn)出了隨計算難度、N....

圖4各頻段功率隨計算難度、N-back等級分布

綜合考慮計算難度C和N-back等級N兩個的平均分類正確率分別為0.552,0.633和因素時，共有9個水平，在這種情況下，依然能夠取得0.422的平均分類正確率；而在更進一步地控制了動態(tài)/靜態(tài)按鍵范圍R以后，更是取得了0.559的平均分類正確率，明顯高于隨機水平Pchance,....

本文編號：3949908