机构名称：
¥ 1.0
摘要 — 目标：认知工作负荷监控 (CWM) 可通过考虑操作员的认知状态来支持任务执行协助，从而增强人机交互。因此，我们提出了一种机器学习设计方法和数据处理策略，以在资源受限的可穿戴设备上实现 CWM。方法：我们的 CWM 解决方案基于边缘计算构建，该系统基于简单的可穿戴系统，只有四个脑电图 (EEG) 外围通道。我们根据来自 24 名志愿者的实验数据评估了我们的解决方案。此外，为了克服系统的内存限制，我们采用了一种优化策略来减小模型大小，并采用了多批次数据处理方案来优化 RAM 内存占用。最后，我们在最先进的可穿戴平台上实施了我们的数据处理策略，并评估了其执行情况和系统电池寿命。结果：我们对未见数据的 CWM 分类实现了 74.5% 的准确率和 74.0% 的灵敏度和特异性几何平均值。此外，与使用默认参数生成的模型相比，所提出的模型优化策略生成的模型小 27.5 倍，与单批数据处理相比，多批数据处理方案将 RAM 内存占用减少了 14 倍。最后，我们的算法仅使用 1.28% 的可用处理时间，从而使我们的系统实现了 28.5 小时的电池寿命。结论：我们提供了一种使用可穿戴设备的可靠且优化的 CWM 解决方案，
基于实时脑电图的认知工作负荷监测...
主要关键词
相关文件推荐
