机构名称：
¥ 1.0
传统的高维脑电图 (EEG) 特征（频谱或时间）在认知工作量估计中可能并不总能取得令人满意的结果。相反，深度表示学习 (DRL) 将高维数据转换为聚类友好的低维特征空间。因此，本文提出了一种集成时空深度聚类 (ISTDC) 模型，该模型使用 DRL 后跟聚类方法来实现更好的聚类性能。使用四种算法和变分贝叶斯高斯混合模型 (VBGMM) 聚类方法说明了所提出的模型。时间和空间变分自动编码器 (VAE) 模型（在算法 2 和算法 3 中提到）使用长短期记忆和卷积神经网络模型从序列 EEG 信号和头皮地形图中学习时间和空间潜在特征。连接的时空潜在特征（在算法 4 中提到）被传递给 VBGMM 聚类方法，以有效估计𝑛-back 任务的工作量水平。对于 0-back vs. 2-back 任务，所提出的模型实现了 98.0% 的最大平均聚类准确率，比最先进的方法提高了 11.0%。结果还表明，所提出的多模态方法在工作量评估方面优于基于时间和空间潜在特征的单模态模型。
生物医学信号处理与控制
主要关键词
相关文件推荐
