许多研究表明,EEG 波段,特别是 alpha 和 theta 波段,是潜在有用的认知负荷指标。然而,很少有研究可以证实这一说法。本研究旨在评估和分析 alpha-theta 和 theta-alpha 波段比率对支持创建能够区分自我报告的心理负荷感知的模型的影响。使用原始 EEG 数据集,其中 48 名受试者以多任务 SIMKAP 测试的形式进行静息活动和诱导任务要求练习。波段比率是根据额叶和顶叶电极簇设计的。构建和模型测试是使用从计算的比率随时间提取的频率和时间域的高级独立特征进行的。模型训练的目标特征是从休息和任务需求活动后收集的主观评级中提取的。模型是通过使用逻辑回归、支持向量机和决策树构建的,并使用准确度、召回率、精确度和 f1 分数等性能指标进行评估。结果表明,使用从 alpha-theta 比率和 theta-alpha 比率中提取的高级特征训练的模型具有较高的分类准确率。初步结果还表明,使用逻辑回归和支持向量机训练的模型可以准确地对自我报告的心理工作量感知进行分类。这项研究通过展示从 alpha-theta 和 theta-alpha EEG 频带比率中提取的时间、频谱和统计域中用于区分自我报告的心理工作量感知的信息的丰富性,为知识体系做出了贡献。
在过去的几十年中,常规磁共振成像仍然是最常用的标准治疗成像方法 [5]。其能力非常有限,经常导致在区分两种不同类型的脑肿瘤发展时产生混淆。特别是在单发病灶的情况下,原发性恶性脑肿瘤和脑转移瘤在磁共振成像中的模式几乎相同,尽管治疗和管理完全不同。原发性恶性脑肿瘤患者将立即接受手术切除,而脑转移瘤患者必须首先经过更复杂的识别过程来确定癌症的起源位置,然后才能决定后续的治疗方法。冗长而不准确的诊断将进一步加重患者的病情 [6]。可用于观察上述比较的常规磁共振成像的两个序列是用于可视化肿瘤周围水肿的液体衰减反转恢复 (FLAIR) 序列和 T1W1