脑电信号中独立分量特征提取与脑力负荷分类

发布时间：2021-11-12 23:04

　　脑力负荷过高会造成作业绩效下降和人因事故,过低则会造成人力资源浪费,所以研究操作人员脑力负荷状态非常有意义。现有脑力负荷分类方法利用脑电（electroencephalogram, EEG）信号特征进行分类,准确率较低。所以,针对视觉和操作类脑力负荷提出一种基于脑电独立分量特征的分类方法,该方法采用独立分量分析（independent component analysis, ICA）对脑电信号进行分离,直接对得到的独立分量提取四种不同频段的能量特征,最后将特征作为支持向量机（support vector machine, SVM）的输入,对脑力负荷进行分类。由于直接使用脑电独立分量特征,所以分类精度高于通用方法,平均分类精度提高29.14%。还进一步发现脑电独立分量中存在的眼电伪迹对分类结果没有明显影响。提出的方法可以实现快速、准确、自动的脑力负荷分类。 

【文章来源】：科学技术与工程. 2020,20(28)北大核心

【文章页数】：6 页

【部分图文】：

通道分布

(1)系统监控任务:监控左上侧系统监控任务状态,当F1～F4出现向上或向下异常时,用鼠标点击相应位置进行响应。(2)追踪监控任务:监控中上部追踪监控任务状态及位置信息,当由自动变为手动时,需立即按键盘左方向键进行响应,然后控制摇杆保证圆心对准十字中心。

本文采集的脑电信号是采用非侵入式的测量技术,电极点被设置在头部表面的位置。人的每个思维过程,都会有很多神经元被激活。每个电极点测量的信号(x1, x2,…,xm)是多个神经元混合信号(s1, s2,…,sn),且混合方式取决于神经元到电极点的距离aij(i=1,2,…m,j=1,2,…n)[19],而且同一个人只有一种混合的方式。混合过程如图3所示。独立分量分析是一种盲源分离方法[20]可以实现对未知混合信号的分离。对于采集的由独立源信号混合而成,且混合的过程未知的脑电信号,可以用独立分量分析技术进行信号分离。

【参考文献】：
期刊论文
[1]基于脑电信号与集成分类器的心理负荷评估[J]. 顾浩,尹钟.  软件导刊. 2019(11)
[2]混合语音信号的盲源分离技术研究[J]. 邹彤,王英,董姝敏,隋鹏.  单片机与嵌入式系统应用. 2019(08)
[3]基于脑电的轻装作业操作者脑力负荷与绩效的分析[J]. 韩文民,葛倩,高龙龙.  科学技术与工程. 2019(14)
[4]基于CSP与卷积神经网络算法的多类运动想象脑电信号分类[J]. 曾庆山,范明莉,宋庆祥.  科学技术与工程. 2017(27)
[5]基于脑电的乘员信息处理作业脑力负荷状态识别模型[J]. 刘维平,聂俊峰,金毅,解芳.  科学技术与工程. 2017(20)
[6]孤独症儿童静息态脑电Gamma频段功能网络研究[J]. 孙金秀,匡光涛,王索刚.  科学技术与工程. 2016(20)
[7]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]. 明东,柯余峰,何峰,赵欣,王春慧,綦宏志,焦学军,张力新,陈善广.  电子测量与仪器学报. 2015(01)
[8]α波和运动想象的混合范式脑-机接口系统[J]. 赵丽,董燕丽,郭旭宏.  电子测量与仪器学报. 2014(06)
[9]基于脑电图识别结合操纵特征的驾驶疲劳检测[J]. 王斐,王少楠,王惜慧,彭莹,杨乙丁.  仪器仪表学报. 2014(02)
[10]长途客车驾驶员疲劳状态脑电特征分析[J]. 王福旺,王宏.  仪器仪表学报. 2013(05)



本文编号：3491811