基于EEG的多因素认知任务脑力负荷研究

发布时间：2024-04-10 01:04

　　目的研究不同类型、不同难度的认知任务组合情况下,脑力负荷变化情况的精细表征。方法设计一种基于逻辑运算、工作记忆和运动执行的脑力负荷诱发范式,利用该范式开展24名男性受试者参与的实验,采集受试者主观量表评分、任务绩效和脑电图(EEG)信号,并计算EEG信号多个频带的功率特征。结果主观量表和任务绩效分析表明,计算难度、N-back等级均能诱发出不同等级的脑力负荷;EEG信号分析表明,脑力负荷的增加伴随着前额叶theta波增强和alpha波的减弱;利用支持向量机(SVM)构建脑力负荷分类模型,能实现平均75%单因素三分类正确率和81.7%的脑力负荷三分类正确率;利用逐步回归模型可实现对脑力负荷的预测。结论 EEG信号的频域特征能够反映多因素认知任务的脑力负荷变化情况,可以对认知因素水平和脑力负荷进行分类和连续预测。

【文章页数】：10 页

【部分图文】：

图1实验流程设计

希望搜集每个受试者对实验过程中每个Block的主观脑力负荷评价，考虑到实验的Block较多，而NASA-TLX量表等[18]较为复杂，在实验过程中多次（26次）重复填写效率较低且影响实验正常进行，故采用单一指标的RSME(ratingscalementaleffort)[1....

图2动态/静态按键范围的主观评价和绩效

计算所有受试者所有试次的各个通道、各个频段的功率，作为该试次的EEG特征。根据计算难度和N-back等级分组，其归一化Z-分数分布情况如图4所示，其中（a)～(e）分别表示delta,theta,alpha,beta低频和beta高频频段功率。5幅子图中，从左至右每一列表示了N-....

图3计算难度和N-back等级的主观评价和绩效

图2动态/静态按键范围的主观评价和绩效据图4(a）和4(b），大部分脑区的delta和theta波段的功率随计算难度、N-back等级的增高而增高，尤其集中在额叶区域。而图4(c)～(e）中，大部分脑区的alpha、beta低频和beta高频频段的功率，则表现出了随计算难度、N....

图4各频段功率随计算难度、N-back等级分布

综合考虑计算难度C和N-back等级N两个的平均分类正确率分别为0.552,0.633和因素时，共有9个水平，在这种情况下，依然能够取得0.422的平均分类正确率；而在更进一步地控制了动态/静态按键范围R以后，更是取得了0.559的平均分类正确率，明显高于随机水平Pchance,....

本文编号：3949908