N-back诱发脑力负荷信息检测与识别技术研究

摘要

近年来,随着信息技术的飞速发展,各类操作任务的智能化、信息化程度不断提升,人在操作作业中所承受的脑力负荷程度不断加大。脑力负荷目前已成为人机系统设计中必须考虑的重要课题,相关信息检测技术的研究引起广泛的兴趣和关注。但是,由于实际作业场景中操作任务类型繁多,各种任务之间的特异性存在较大差距,对脑力负荷检测的强泛化应用提出了较高的挑战。
　　为进一步探索不同任务下的脑力负荷检测和识别共性技术,本研究设计了基于语言与空间刺激的Verbal n-back与Spatial n-back两种任务。脑力负荷等级设定为4级,分别为0-back、1-back、2-back、3-back,实验中共采集了17名健康被试的32导脑电数据。为了有效提取不同任务与负荷等级中的特征信息,文中分别从频域、时频域及非线性三个方面,尝试了AR模型、事件相关同步/去同步时频图、样本熵、小波多尺度熵等多种特征提取算法。然后采用支持向量机对上述各任务的脑电特征进行模式识别,得到17名被试的脑力负荷等级平均分类正确率。实验结果表明,不同的任务类型及脑力负荷等级间在AR功率谱值及ERD/ERS时频图中均存在明显的差异性,并且在AR功率谱、样本熵、小波多尺度熵及三特征联合参数四种特征模式识别中,AR功率谱与三特征联合参数的平均分类正确率最高,可达98％以上。
　　在此基础上,为了进一步提高系统性能及分类正确率,本文采用了基于支持向量机的递归特征筛选(SVM-REF)算法对分类器进行了导联优化,与优化前相比,不仅显著提高了平均分类正确率,而且大大降低了最优导联组合数,从而为实际应用中脑力负荷检测的准确性及便捷性提供了技术保障。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1脑力负荷的基本概念及研究意义

1.2脑力负荷的研究方法及国内外研究现状

1.3主要研究内容与章节安排

第二章 脑力负荷诱发EEG实验设计

2.1脑电信号简介

2.2n-back诱发脑力负荷实验设计

2.3实验平台与脑电采集系统

第三章 脑电数据预处理与特征提取分析

3.1脑电信号预处理

3.2频域特征提取与分析

3.3时频特征提取与分析

3.4非线性特征提取与分析

第四章 基于支持向量机的分类识别及优化

4.1支持向量机概述

4.2基于支持向量机的分类结果讨论

4.3基于SVM-RFE的导联优化

第五章 总结与展望

5.1工作总结

5.2工作展望

参考文献

发表论文和科研情况说明

致谢