准确地评价数字图形界面下操作员的认知负荷( cognitive load.CL)、有助于实现认知反馈机制并最终提高人机工效。为了进一步提高评价方法的鲁棒性与泛化能力,结合EEG实验将 Att-blstm应用于CL评价问题中。该方法首先利用Multⅰ-CNN提取EEG的频域与空间特征,然后利用At- BLSTM提取EEG的时域特征,最后通过多特征融合构建CL评价方法。通过招募12名被试,采集了2种CL条件下的EG数据进行了实验。实验结果表明,文中方法在该数据集上的平均准确率为82%,比传统机器学习的方法具有更强的EEG信号表征能力;与其他深度学习方法相比,也能更准确地提取EEG的时域特征,且具有更强的鲁棒性。
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
全部0条评论
快来发表一下你的评论吧 !