基于脑电信号与集成分类器的心理负荷评估

• 作者: 尹钟 顾浩
• 来源期刊: 软件导刊
• 学科: 工学
• 关键词: 脑力负荷 脑电信号 超限学习机 支持向量机
• 年，卷（期）: 2019,（11）
• 所属期刊栏目: 人工智能
• 页码范围: 1-4
• 页数: 4页
• 分类号: TP302
• 字数: 3323字
• 语种: 中文
• DOI: 10.11907/rjdk.192174

摘要

为了精确评估个体心理负荷状态,需要获取目标脑电信号数据,脑电信号是评估脑力负荷变化的重要指标.机器学习和神经网络越来越多地用于脑力负荷分类.利用脑电信号特征可在时域和频域中提取突出信息.因此提出一个结合支持向量机(SVM)与超限学习机(ELM)的混合型脑力负荷分类框架.其中支持向量机作为成员分类器,可在高维EEG特征中查找隐藏信息;超限学习机用于融合成员分类器的输出.将ELM-SVM模型与经典脑力负荷分类器进行比较,得出该模型训练精度准确率为1,且测试精度提升0.1个百分点.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	尹钟	上海理工大学光电信息与计算机工程学院	16	28	3.0	5.0
2	顾浩	上海理工大学光电信息与计算机工程学院	1	0	0.0	0.0