基于样本选择的跨被试脑力负荷识别

摘要

人体的脑力负荷状态与人机操作工作时的工作效率、人力资源分配以及事故的发生等息息相关,因此研究操作人员的脑力负荷状态具有重要意义。为了解决现有脑力负荷识别方法由于训练集中样本数量过少导致分类效果较差的问题,提出了一种基于样本选择的跨被试脑力负荷识别方法。首先,将其他被试的脑电数据作为训练集,参考目标被试的少量历史数据对训练集中的特征数据进行样本选择,实现减少样本数量的同时减少训练集和测试集之间的域差异;其次,再通过主成分分析对样本选择后的自适应训练集和目标被试测试集特征进行特征降维;最后,用自适应训练集主成分建立支持向量机分类模型识别测试集样本的脑力负荷状态。结果表明,该方法可以在提高分类效率的同时提高分类精度,实现快速、准确的脑力负荷状态识别。