脑力负荷识别对提高人机交互操作人员的工作绩效具有重要意义。目前已有研究表明,通过提取脑电(electroencephalogram,EEG)信号的能量特征进行脑力负荷识别取得了不错的分类效果。但该方法只关注到信号的幅度信息,而忽略了相位信息;只...脑力负荷识别对提高人机交互操作人员的工作绩效具有重要意义。目前已有研究表明,通过提取脑电(electroencephalogram,EEG)信号的能量特征进行脑力负荷识别取得了不错的分类效果。但该方法只关注到信号的幅度信息,而忽略了相位信息;只分析了各个通道的频域特征,没有考虑不同通道信号之间的同步关系。为充分考虑不同脑区间的功能连接性,提出一种基于加权相位滞后指数(weighted phase lag index,WPLI)热力图的脑力负荷分类方法。对预处理后的脑电信号计算两两通道间的WPLI并绘制热力图,用于评估不同通道信号之间的相位耦合情况,由此反映不同脑区间的功能连接性。由WPLI热力图可以直观地观察到:在高、低负荷状态下,大脑功能连接性的分布存在明显差异。通过实验分别对能量特征图和WPLI热力图采用方向梯度直方图-支持向量机(histogram of oriented gradient-support vector machine,HOG-SVM)和LeNet-5两种方法进行分类。结果表明:WPLI热力图和LeNet-5的组合具有较好的分类结果。展开更多
文摘脑力负荷识别对提高人机交互操作人员的工作绩效具有重要意义。目前已有研究表明,通过提取脑电(electroencephalogram,EEG)信号的能量特征进行脑力负荷识别取得了不错的分类效果。但该方法只关注到信号的幅度信息,而忽略了相位信息;只分析了各个通道的频域特征,没有考虑不同通道信号之间的同步关系。为充分考虑不同脑区间的功能连接性,提出一种基于加权相位滞后指数(weighted phase lag index,WPLI)热力图的脑力负荷分类方法。对预处理后的脑电信号计算两两通道间的WPLI并绘制热力图,用于评估不同通道信号之间的相位耦合情况,由此反映不同脑区间的功能连接性。由WPLI热力图可以直观地观察到:在高、低负荷状态下,大脑功能连接性的分布存在明显差异。通过实验分别对能量特征图和WPLI热力图采用方向梯度直方图-支持向量机(histogram of oriented gradient-support vector machine,HOG-SVM)和LeNet-5两种方法进行分类。结果表明:WPLI热力图和LeNet-5的组合具有较好的分类结果。
