摘要:认知工作量是涉及动态决策和其他实时和高风险情况的任务中的关键因素。神经成像技术长期以来一直用于估计认知工作量。与 fMRI 和其他神经成像方式相比,EEG 具有便携性、成本效益和高时间分辨率,因此使用 EEG 估计个人工作量的有效方法至关重要。已知多种认知、精神和行为表型与“功能连接”有关,即不同大脑区域之间的相关性。在这项工作中,我们探索了使用不同的无模型功能连接指标以及深度学习来有效分类参与者的认知工作量的可能性。为此,在 19 名参与者执行传统 n-back 任务时收集了他们的 64 通道 EEG 数据。这些数据(预处理后)用于提取功能连接特征,即相位转移熵 (PTE)、相互信息 (MI) 和相位锁定值 (PLV)。选择这三个特征对有向和非有向无模型功能连接指标进行全面比较(允许更快的计算)。利用这些特征,使用三个深度学习分类器,即 CNN、LSTM 和 Conv-LSTM 将认知工作量分类为低(1-back)、中(2-back)或高(3-back)。由于 EEG 和认知工作量的受试者间差异很大,并且最近的研究强调基于 EEG 的功能连接指标是特定于受试者的,因此使用了特定于受试者的分类器。结果显示,MI 与 CNN 的组合具有最先进的多类分类准确率,为 80.87%,其次是 PLV 与 CNN 的组合(75.88%)和 MI 与 LSTM 的组合(71.87%)。PLV 与 Conv-LSTM 的组合和 PLV 与 CNN 的组合实现了最高的受试者特定性能,准确率为 97.92%,其次是 MI 与 CNN 的组合(95.83%)和 MI 与 Conv-LSTM 的组合(93.75%)。结果强调了基于 EEG 的无模型功能连接指标和深度学习相结合对分类认知工作负荷的有效性。这项工作可以进一步扩展,以探索在实时、动态和复杂的现实场景中对认知工作负荷进行分类的可能性。
主要关键词