基于样本选择的跨被试脑力负荷识别_曲洪权.pdf
《基于样本选择的跨被试脑力负荷识别_曲洪权.pdf》由会员分享,可在线阅读,更多相关《基于样本选择的跨被试脑力负荷识别_曲洪权.pdf(7页珍藏版)》请在咨信网上搜索。
1、投稿网址:年 第 卷 第 期,():科 学 技 术 与 工 程 引用格式:曲洪权,王飞月,庞丽萍,等 基于样本选择的跨被试脑力负荷识别 科学技术与工程,():.,():.医药、卫生基于样本选择的跨被试脑力负荷识别曲洪权,王飞月,庞丽萍,陈丽莉,刘晓花(.北方工业大学信息学院,北京;.北京航空航天大学航空科学与工程学院,北京;.华北石油通信有限公司万庄通信总站,廊坊;.中国石油管道局工程有限公司国际事业部,廊坊)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
2、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。关键词 样本选择;主成分分析;支持向量机;脑力负荷;脑电中图法分类号.;文献标志码 收稿日期:;修订日期:基金项目:辽宁省兴辽
3、英才计划()第一作者:曲洪权(),男,汉族,黑龙江青冈人,博士,教授。研究方向:数据科学。:。通信作者:庞丽萍(),女,汉族,黑龙江海林人,博士,教授。研究方向:人机与环境工程。:。,(.,;.,;.,;.,),(),;脑力负荷通常表示为操作人员在单位时间内的脑活动量、心理压力或者信息处理能力。在人机操作工作中,操作人员的脑力负荷过高会导致操作灵活性降低,决策失误甚至发生人因事故,而脑力负荷过低则会导致人力资源的浪费以及作业绩效的下降。因此准确评估操作人员的脑力负荷状态对于保护操作人员安全和提高作业效率等具有重要意义。投稿网址:常见的脑力负荷评价方法主要有两种:一种是以客观指标对脑力负荷进行评
4、价,比如工作表现结果(工作完成时间、工作失误率等)或者操作人员的生理指标(心跳速度、脑电图等),另一种是以被试主观评价作为脑力负荷等级的评估结果。随着近年来软硬件的发展,由于采集生理数据的准确性及便捷性,基于脑电信号来识别脑力负荷状态成为近年来的研究热点,。诸多研究表明,在不同的脑力负荷状态下,脑电信号在、和 这 个频段的功率谱变化敏感。因此,近年来许多脑力负荷研究从脑电信号的各个频段中提取特征进行脑力负荷识别,并且随着机器学习的迅猛发展,越来越多的人尝试运用机器学习算法对脑力负荷进行识别。等基于各频段的功率谱密度特征,使用线性判别分析对无人机操控员的脑力负荷分类。郭孜政等将各频段的频谱值作为
5、输入特征,结合支持向量机模型构建了驾驶员脑力负荷识别模型。等将频段功率和小波熵使用随机森林进行特征选择,使用支持向量机建立模型识别脑力负荷状态。对于一个用于测试的新被试,常用的方法对特定被试训练分类器需要对该被试采集多组脑电数据来建立一个综合的训练集,但在实际情况中,新被试往往只有少量的历史数据,这种情况下训练得到的分类器会由于训练集中数据数量过少导致分类效果较差。因此,跨被试的脑电数据识别逐渐成为近几年的研究热点,利用其他被试的历史脑电数据训练分类器来测试新被试的状态。由于每个被试之间具有个体差异,被试之间的脑电数据分布往往具有很大的差异,因此需要使用迁移学习的方法来减少训练被试与测试被试数
6、据之间的分布差异。等使用深度域自适应网络,通过深度神经网络消除不同被试数据之间的域移位,实现基于脑电信号的跨被试运动想象任务的分类。等提出一种少标记对抗性域自适应方法,应用于面向深度学习的模型,减少不同被试数据集之间的分布差异,实现基于脑电信号的跨被试情绪识别。等结合多尺度残差网络和元迁移学习策略减少不同被试个体差异问题,实现基于脑电信号的跨被试情绪识别。然而针对脑力负荷识别任务,目前还没有研究,且以上方法均基于深度学习网络,模型复杂度高,需要大量训练数据做支撑。故从样本选择的角度出发,实现不同被试数据之间的域自适应,减少训练数据的情况下使用低复杂度分类模型实现跨被试的脑力负荷识别。为此,现针
7、对视觉和操作类任务,提出一种基于样本选择的跨被试脑力负荷识别方法,参考目标被试少量有标签的历史数据,利用其他被试的脑电数据进行迁移学习,以估计目标被试的脑力负荷状态。该方法分为 个步骤实现:对各个被试收集到的脑电信号进行转参考和滤波;对得到的脑电信号提取功率谱密度特征;将训练集中所有被试的特征数据参考目标被试少量有标签的历史样本进行样本选择并形成新的自适应源域训练集;对自适应源域训练集与目标被试测试集数据进行主成分分析;由自适应源域训练集主成分训练分类器并对测试集数据进行分类。该方法在使用目标被试少量有标签的历史数据的情况下,对训练集中被试样本进行自适应样本筛选以减少二者的分布差异,从而在提高
8、分类效率的同时获得更好的识别效果。基于样本选择的跨被试脑力负荷识别 基于样本选择的脑力负荷识别方法利用训练集中所有被试的样本数据,将目标被试的少量有标签的历史样本数据作为验证集,参考验证集中的样本分布,建立一个针对目标被试的个性化模型。需要解决的问题是,给出一组目标被试待识别的脑电样本数据,利用训练集中每个被试的样本数据以及验证集中的样本数据来估计目标被试待识别脑电样本中每个脑电样本的脑力负荷状态。具体流程如图 所示。如图 所示,基于样本选择的跨被试脑力负荷识别共分两个步骤完成。第一步,参考验证集中的样本分布,对训练集中所有被试的样本分别进行样本选择,这样使得训练集中每个被试选择后得到的样本与
9、目标被试样本的分布差异减小的同时减少训练集样本数量。训练集中所有被试选择后得到的样本数据组成自适应源域训练集。第二步,将自适应源域训练集与目标被试测试集样本数据通过主成分分析寻找一个共享的特征子空间,并得到二者在该子空间中的主成分,这样会在实现特征降维的同时进一步减少域差异。最后,利用自适应源域训练集主成分训练目标分类器,估计目标被试测试集中每个样本的脑力负荷状态。通过样本选择和主成分分析方法,源域训练集中样本数量和维度减少的同时,也减少了源域样本与目标域样本的分布差异,训练得到的目标分类器更适用于目标被试,这样不仅可以提高分类效率,还可以提高分类精度。.样本选择假设训练集中有 个被试,第 个
10、被试有 个科 学 技 术 与 工 程 ,()投稿网址:图 基于样本选择的跨被试脑力负荷识别概述 维被标记了负荷状态的样本数据,表示为,其标签表示为,其中 为第 个样本提取的标准化特征向量。类似地,验证集样本数据表示为,其标签表示为,测试集样本数据表示为,。为了实现训练集样本与验证集样本的域自适应,通过式()计算了验证集样本中低负荷和高负荷样本的中心,表达式为 ,|()式()中:和 分别为验证集中低负荷和高负荷的样本数;和 分别为验证集 的低负荷样本子集和高负荷样本子集。由于训练集中各被试的样本与目标被试的样本分布不一致,对于训练集中所有的被试,将分别参考,进行样本选择。以低负荷为例,训练集中第
11、 个被试的低负荷样本可根据式()进行样本选择,表达式为 (),|()式()中:和 分别为样本集 的低负荷和高负荷样本子集;为样本集 中的样本个数。当 时,表明样本 与验证集低负荷样本中心 的欧几里得距离 相较 中其他的样本是偏小的,距离 更近,可以作为训练集样本。同理,可以通过式()对高负荷样本数据进行样本选择,表达式为 (),|()式()中:为样本集 中的样本个数。可以选择 中与 距离更近的样本数据,从而消,()曲洪权,等:基于样本选择的跨被试脑力负荷识别投稿网址:除远离 的样本数据。具体算法实现如下。输入:验证集样本数据,及其标签表示为,训练集所有被试的样本数据,其标签表示为,步骤 创建并
12、初始化自适应源域训练集 及其低负荷和高负荷子集 。步骤 根据式()计算验证集样本中低负荷和高负荷样本的中心,。步骤 对源域训练集中每一个被试样本集,重复以下过程。()创建并初始化自适应训练子集 及其低负荷和高负荷子集 。()根据式()和式()对样本集中每一个样本计算(),或(),。如果()或(),则 或 ;否则,或 。步骤 自适应源域训练集低负荷子集 ,自适应源域训练集高负荷子集 。步骤 自适应源域训练集 。输出:自适应源域训练集数据。.主成分分析与支持向量机在脑力负荷识别任务中,由于脑电数据分布在各个电极上,并且往往在各个电极的数据上提取多种特征,常常会导致得到的特征矩阵维度过高,这会加大对
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 样本 选择 跨被试 脑力 负荷 识别 曲洪权
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。