Nov, 2023

基于时空特征的 EEG 工作负荷水平解码在飞行环境下

PDF
TL;DR使用深度学习技术分类飞行员的工作负荷水平，采用深度神经网络从脑电图信号中提取重要特征，实现了优于传统模型的分类准确度的研究。
pilots' mental statesdeep learning techniquesworkload levelshybrid deep neural networkelectroencephalography signals
发现论文，激发创造
  • 使用混合深度神经网络从 EEG 信号中分类分心程度

    本研究使用深度学习方法，探索在飞行环境下分类不同注意力水平的可行性，结果表明可以对不同注意力水平进行有效的分类，对未来的人工智能技术驱动下的自主飞行或驾驶具有重要贡献。

    Dec, 2022

  • 结合多空间深度模型利用脑电信号估计心理负荷

    本文旨在将心理负荷分类为三种状态并估计连续水平，使用时间域方法中的时序卷积网络和频域方法中的多维残差块结构，以提高对大脑的心理估计的精确度。

    Jul, 2023

  • 采用脑电图和深度学习将认知负荷建模为自监督的脑波率

    本研究提出了一种新的自我监督的深度学习方法，通过使用连续脑率指数和空间谱拓扑头图从 EEG 数据中进行神经负荷建模，该方法表现出在通常适用性方面的能力，这证明了卷积层学习有意义的高级表示的能力。

    Sep, 2022

  • 基于脑电图的认知负荷检测实验范式和深度神经网络的系统评述

    通过系统综述了解了基于脑电图 (EEG) 的认知负荷估计。重点包括：确定可靠引发离散和量化认知负荷水平的实验范式，并探究在信号分类中常用的深度神经网络 (DNNs) 的输入形式的特点和表征结构。分析发现一些研究在离线认知负荷分类中使用脑电信号的二维矩阵原始表示，但只有少数研究采用了在线或伪在线的实时认知负荷估计策略。此外，在这项综述中，仅采用了数个可解释的 DNNs 和一个生成模型进行认知负荷检测。总的来说，由于其网络架构的深度提供了巨大的建模能力，DNNs 成为分类脑电信号的宝贵工具。进一步建议采用可解释且可解读的 DNN 模型进行认知负荷估计，因为现有方法在面对非平稳信号时存在局限性。

    Sep, 2023

  • 利用多模式传感器测量认知负荷

    本研究使用多模式感知方法和机器学习来识别一组指标，以估计认知负荷水平。通过进行一组认知测试，利用四种传感器来测量参与者的生理变化以及 Chi-Square 卡方分析法揭示了它们的感知认知负荷水平的差异，研究利用三种分类算法分别使用这些生理数据进行训练和测试，并证明使用 ECG 和 EDA 的结合可以获得良好的辨别能力。

    May, 2022

  • 基于脑电图的认知负荷分类：特征屏蔽自编码和情感迁移学习

    本文介绍了一种使用脑电图的认知负荷分类的新方法，采用变压器架构与迁移学习，利用自监督预训练和冻结权重与微调的迁移学习来进行认知负荷分类，实验证明该方法表现优秀且胜过传统的单阶段全监督学习，研究为情感计算中的认知负荷领域增加了新的文献，为未来的跨领域迁移学习与自监督预训练的研究提供了新的方向。

    Aug, 2023

  • 车内驾驶员认知负荷多模态脑 - 计算机接口：数据集与基线

    本文介绍了一个包含 EEG 信号和其他生理数据的新型驾驶认知负荷评估数据集 CL-Drive，并提供了针对不同的机器学习和深度学习模型的基准分类结果。

    Apr, 2023

  • 基于脑电谱时特征的卷积神经网络心算任务分类

    该研究提出了一个浅层卷积神经网络模型，用于评估脑电信号的特征提取和分类，并在有运动障碍的患者中表现出了更好的分类准确性和鲁棒性。

    Sep, 2022

  • 使用深度循环卷积神经网络从脑电图中学习表征

    该研究中提出了一种新方法，可以从多通道 EEG 时间序列中学习稳健的特征，以提高认知负荷分类任务的分类准确率。

    Nov, 2015

  • 使用多模态深度学习识别外科任务期间的认知负荷

    本文提出了一种联合三个信号测量 Cognitive Workload 的方法，该方法基于机器学习和神经网络技术，可以识别手术过程中医生的脑力负荷情况，并精确地将其分类，比较结果表明有 93％的准确度。

    Sep, 2022