R-LMD+BAO+OEL：一種高精度 EEG 認(rèn)知負(fù)荷檢測(cè)方法的研究
R-LMD+BAO+OEL：一種高精度 EEG 認(rèn)知負(fù)荷檢測(cè)方法
引言/背景
人們?cè)趫?zhí)行心算、多任務(wù)并行等認(rèn)知活動(dòng)時(shí)會(huì)產(chǎn)生不同程度的心理負(fù)荷，精準(zhǔn)監(jiān)測(cè)這種認(rèn)知負(fù)荷有助于評(píng)估腦力狀態(tài)、預(yù)防認(rèn)知疲勞與失誤。EEG 能直接捕捉大腦神經(jīng)電活動(dòng)，是實(shí)時(shí)檢測(cè)認(rèn)知負(fù)荷的理想手段，但傳統(tǒng)方法在信號(hào)分解、特征篩選與分類精度上仍有提升空間，且多側(cè)重整體分析，缺少對(duì)不同腦區(qū)導(dǎo)聯(lián)的精細(xì)化對(duì)比。為實(shí)現(xiàn)高準(zhǔn)確率、導(dǎo)聯(lián)級(jí)的認(rèn)知負(fù)荷檢測(cè)，本研究采用腦電技術(shù)結(jié)合信號(hào)處理與集成學(xué)習(xí)方法，在 MAT 心算任務(wù)與 STEW 同步任務(wù)兩類公開數(shù)據(jù)集上展開驗(yàn)證。通過優(yōu)化信號(hào)分解、特征選擇與分類模型，同時(shí)對(duì)比全導(dǎo)聯(lián)與單導(dǎo)聯(lián)表現(xiàn)，旨在建立一套穩(wěn)定高效的認(rèn)知負(fù)荷檢測(cè)框架，明確關(guān)鍵響應(yīng)腦區(qū)，為實(shí)時(shí)腦機(jī)交互與認(rèn)知狀態(tài)監(jiān)測(cè)提供技術(shù)支撐。
論文概要
近日，相關(guān)研究團(tuán)隊(duì)采用腦電技術(shù)與機(jī)器學(xué)習(xí)算法，系統(tǒng)構(gòu)建了基于 EEG 導(dǎo)聯(lián)特征優(yōu)化的認(rèn)知負(fù)荷檢測(cè)方法。研究成果發(fā)表于《Scientific Reports》，題為“Cognitive load detection through EEG lead wise feature optimization and ensemble classification”。研究通過收集MAT 心算任務(wù)與 STEW 同步任務(wù)兩類公開數(shù)據(jù)集的腦電信號(hào)，采用 R LMD 分解、BAO 二進(jìn)制特征選擇與優(yōu)化集成學(xué)習(xí)（OEL）分類，比較了全導(dǎo)聯(lián)與單導(dǎo)聯(lián)在認(rèn)知負(fù)荷識(shí)別中的準(zhǔn)確率、靈敏度與特異度差異。結(jié)果顯示，所提 R LMD+BAO+OEL 框架表現(xiàn)最優(yōu)：在 MAT 數(shù)據(jù)集上準(zhǔn)確率達(dá)97.4%，STEW 數(shù)據(jù)集達(dá)96.1%；且前額葉 F3 導(dǎo)聯(lián)在單導(dǎo)聯(lián)檢測(cè)中表現(xiàn)突出，分別達(dá)到 94.5% 與 94%。此外，該方法在分解效果、特征篩選效率與分類魯棒性上均優(yōu)于現(xiàn)有 DWT、SWT、EMD 等技術(shù)。
本研究使用MAT 與 STEW 兩個(gè)公開 EEG 數(shù)據(jù)集開展認(rèn)知負(fù)荷檢測(cè)，分別包含 36 名心算任務(wù)被試與 48 名同步任務(wù)被試，均采用國際 10-20 系統(tǒng)布設(shè)電極。研究采用導(dǎo)聯(lián)級(jí)與整體特征并行分析范式，先將 EEG 信號(hào)切分為 4 秒片段，再通過濾波與偽跡重建完成預(yù)處理：
MAT 數(shù)據(jù)集使用 0.5 Hz 高通、45 Hz 低通及 50 Hz 工頻陷波濾波；STEW 數(shù)據(jù)集使用 1 Hz 高通濾波、偽跡子空間重構(gòu)與平均重參考。
信號(hào)處理核心采用魯棒局部均值分解（R-LMD），將各通道 EEG 自適應(yīng)分解為 5 個(gè)模態(tài)分量，提取時(shí)域（偏度、峰度）、頻域（功率譜密度）及多類熵（模糊熵、Renyi 熵、差分熵）構(gòu)成多域特征。隨后通過二進(jìn)制算術(shù)優(yōu)化算法（BAO） 結(jié)合萊維飛行與轉(zhuǎn)換函數(shù)完成最優(yōu)特征篩選，以分類誤差率與特征降維率構(gòu)建適應(yīng)度函數(shù)。分類階段使用 6 種優(yōu)化機(jī)器學(xué)習(xí)模型（樹、判別式、樸素貝葉斯、KNN、SVM、優(yōu)化集成學(xué)習(xí) OEL），采用 10 折交叉驗(yàn)證評(píng)估性能，重點(diǎn)統(tǒng)計(jì)準(zhǔn)確率（AC）、靈敏度（SE）與特異度（SP）。
研究結(jié)果
1.整體分類精度
優(yōu)化集成學(xué)習(xí)（OEL）在兩套數(shù)據(jù)集均達(dá)最優(yōu)：MAT 數(shù)據(jù)集97.4%、STEW 數(shù)據(jù)集96.1%�；煜仃嚺袆e清晰、ROC 曲線接近理想狀態(tài)。
2.關(guān)鍵導(dǎo)聯(lián)檢測(cè)效果
前額葉F3 導(dǎo)聯(lián)為最佳單通道，準(zhǔn)確率分別達(dá)94.5%（MAT）、94%（STEW），結(jié)果見表1、表 2。
3.特征選擇收斂性
圖 3表明 BAO 算法快速收斂，可高效篩選最優(yōu)特征子集，能顯著提升分類效率。
4.腦區(qū)激活差異
圖4拓?fù)鋱D顯示，認(rèn)知任務(wù)態(tài)下前額葉 F3/F4/F7激活顯著強(qiáng)于靜息態(tài)，是認(rèn)知負(fù)荷核心響應(yīng)腦區(qū)。
5.方法優(yōu)越性
表 3對(duì)比證實(shí)，R-LMD+BAO+OEL整體性能超過 DWT、SWT、EMD、VMD 等現(xiàn)有方法。
結(jié)論與討論
本研究通過系統(tǒng)優(yōu)化EEG信號(hào)分解、特征選擇與集成分類方法，確立了R-LMD+BAO+OEL框架在認(rèn)知負(fù)荷檢測(cè)中的核心優(yōu)勢(shì)。研究發(fā)現(xiàn)，該框架在MAT和STEW數(shù)據(jù)集上分別實(shí)現(xiàn)97.4%和96.1%的整體分類準(zhǔn)確率，前額葉F3導(dǎo)聯(lián)作為核心響應(yīng)腦區(qū)，單導(dǎo)聯(lián)檢測(cè)準(zhǔn)確率亦達(dá)94.5%和94%，顯著優(yōu)于傳統(tǒng)EEG分析方法。
研究不僅驗(yàn)證了導(dǎo)聯(lián)級(jí)特征分析結(jié)合優(yōu)化機(jī)器學(xué)習(xí)在認(rèn)知負(fù)荷檢測(cè)中的可行性，更構(gòu)建了一套從多域特征提取到高精度分類的完整EEG信號(hào)處理方法論。隨著腦機(jī)交互與實(shí)時(shí)認(rèn)知監(jiān)測(cè)需求的提升，該研究為認(rèn)知負(fù)荷檢測(cè)從整體分析向精細(xì)化腦區(qū)定位的轉(zhuǎn)變奠定了堅(jiān)實(shí)基礎(chǔ)，推動(dòng)腦電技術(shù)在人機(jī)工程、臨床神經(jīng)監(jiān)測(cè)等領(lǐng)域的實(shí)際應(yīng)用邁向精準(zhǔn)化新階段。
原文信息鏈接
Yedukondalu J, Sunkara K, Radhika V, et al. Cognitive load detection through EEG lead wise feature optimization and ensemble classification[J]. Scientific Reports, 2025, 15(1): 842.
DOI：10.1038/s41598-024-84429-6
研究團(tuán)隊(duì)
該研究由印度多所高校電子工程、計(jì)算機(jī)科學(xué)與數(shù)據(jù)科學(xué)領(lǐng)域?qū)W者跨校合作完成，Kalyani Sunkara為通訊作者，核心作者包括 Jammisetty Yedukondalu、Vankayalapati Radhika、Sivakrishna Kondaveeti 等，分別來自 QIS 工程技術(shù)學(xué)院、VIT-AP 大學(xué)、VNR Vignana Jyothi 工程技術(shù)學(xué)院等印度院校。
關(guān)于維拓啟創(chuàng)
維拓啟創(chuàng)（北京）信息技術(shù)有限公司成立于2006年，是一家專注于腦科學(xué)、康復(fù)工程、人因工程、心理學(xué)、體育科學(xué)等領(lǐng)域的科研解決方案供應(yīng)商。公司與國內(nèi)外多所大學(xué)、研究機(jī)構(gòu)、企業(yè)長(zhǎng)期保持合作關(guān)系，致力于將優(yōu)質(zhì)的產(chǎn)品、先進(jìn)的技術(shù)和服務(wù)帶給各個(gè)領(lǐng)域的科研工作者，為用戶提供有競(jìng)爭(zhēng)力的方案和服務(wù)，協(xié)助用戶的科研工作，持續(xù)提升使用體驗(yàn)。
相關(guān)產(chǎn)品
引言/背景
人們?cè)趫?zhí)行心算、多任務(wù)并行等認(rèn)知活動(dòng)時(shí)會(huì)產(chǎn)生不同程度的心理負(fù)荷，精準(zhǔn)監(jiān)測(cè)這種認(rèn)知負(fù)荷有助于評(píng)估腦力狀態(tài)、預(yù)防認(rèn)知疲勞與失誤。EEG 能直接捕捉大腦神經(jīng)電活動(dòng)，是實(shí)時(shí)檢測(cè)認(rèn)知負(fù)荷的理想手段，但傳統(tǒng)方法在信號(hào)分解、特征篩選與分類精度上仍有提升空間，且多側(cè)重整體分析，缺少對(duì)不同腦區(qū)導(dǎo)聯(lián)的精細(xì)化對(duì)比。為實(shí)現(xiàn)高準(zhǔn)確率、導(dǎo)聯(lián)級(jí)的認(rèn)知負(fù)荷檢測(cè)，本研究采用腦電技術(shù)結(jié)合信號(hào)處理與集成學(xué)習(xí)方法，在 MAT 心算任務(wù)與 STEW 同步任務(wù)兩類公開數(shù)據(jù)集上展開驗(yàn)證。通過優(yōu)化信號(hào)分解、特征選擇與分類模型，同時(shí)對(duì)比全導(dǎo)聯(lián)與單導(dǎo)聯(lián)表現(xiàn)，旨在建立一套穩(wěn)定高效的認(rèn)知負(fù)荷檢測(cè)框架，明確關(guān)鍵響應(yīng)腦區(qū)，為實(shí)時(shí)腦機(jī)交互與認(rèn)知狀態(tài)監(jiān)測(cè)提供技術(shù)支撐。
論文概要
近日，相關(guān)研究團(tuán)隊(duì)采用腦電技術(shù)與機(jī)器學(xué)習(xí)算法，系統(tǒng)構(gòu)建了基于 EEG 導(dǎo)聯(lián)特征優(yōu)化的認(rèn)知負(fù)荷檢測(cè)方法。研究成果發(fā)表于《Scientific Reports》，題為“Cognitive load detection through EEG lead wise feature optimization and ensemble classification”。研究通過收集MAT 心算任務(wù)與 STEW 同步任務(wù)兩類公開數(shù)據(jù)集的腦電信號(hào)，采用 R LMD 分解、BAO 二進(jìn)制特征選擇與優(yōu)化集成學(xué)習(xí)（OEL）分類，比較了全導(dǎo)聯(lián)與單導(dǎo)聯(lián)在認(rèn)知負(fù)荷識(shí)別中的準(zhǔn)確率、靈敏度與特異度差異。結(jié)果顯示，所提 R LMD+BAO+OEL 框架表現(xiàn)最優(yōu)：在 MAT 數(shù)據(jù)集上準(zhǔn)確率達(dá)97.4%，STEW 數(shù)據(jù)集達(dá)96.1%；且前額葉 F3 導(dǎo)聯(lián)在單導(dǎo)聯(lián)檢測(cè)中表現(xiàn)突出，分別達(dá)到 94.5% 與 94%。此外，該方法在分解效果、特征篩選效率與分類魯棒性上均優(yōu)于現(xiàn)有 DWT、SWT、EMD 等技術(shù)。
文章信息
研究方法 本研究使用MAT 與 STEW 兩個(gè)公開 EEG 數(shù)據(jù)集開展認(rèn)知負(fù)荷檢測(cè)，分別包含 36 名心算任務(wù)被試與 48 名同步任務(wù)被試，均采用國際 10-20 系統(tǒng)布設(shè)電極。研究采用導(dǎo)聯(lián)級(jí)與整體特征并行分析范式，先將 EEG 信號(hào)切分為 4 秒片段，再通過濾波與偽跡重建完成預(yù)處理：
MAT 數(shù)據(jù)集使用 0.5 Hz 高通、45 Hz 低通及 50 Hz 工頻陷波濾波；STEW 數(shù)據(jù)集使用 1 Hz 高通濾波、偽跡子空間重構(gòu)與平均重參考。
信號(hào)處理核心采用魯棒局部均值分解（R-LMD），將各通道 EEG 自適應(yīng)分解為 5 個(gè)模態(tài)分量，提取時(shí)域（偏度、峰度）、頻域（功率譜密度）及多類熵（模糊熵、Renyi 熵、差分熵）構(gòu)成多域特征。隨后通過二進(jìn)制算術(shù)優(yōu)化算法（BAO） 結(jié)合萊維飛行與轉(zhuǎn)換函數(shù)完成最優(yōu)特征篩選，以分類誤差率與特征降維率構(gòu)建適應(yīng)度函數(shù)。分類階段使用 6 種優(yōu)化機(jī)器學(xué)習(xí)模型（樹、判別式、樸素貝葉斯、KNN、SVM、優(yōu)化集成學(xué)習(xí) OEL），采用 10 折交叉驗(yàn)證評(píng)估性能，重點(diǎn)統(tǒng)計(jì)準(zhǔn)確率（AC）、靈敏度（SE）與特異度（SP）。
圖1 認(rèn)知負(fù)荷檢測(cè)方法流程圖
研究結(jié)果
1.整體分類精度
優(yōu)化集成學(xué)習(xí)（OEL）在兩套數(shù)據(jù)集均達(dá)最優(yōu)：MAT 數(shù)據(jù)集97.4%、STEW 數(shù)據(jù)集96.1%�；煜仃嚺袆e清晰、ROC 曲線接近理想狀態(tài)。
圖2 A:MAT 數(shù)據(jù)集的 OEL 性能 B: STEW 數(shù)據(jù)集的 OEL 性能
2.關(guān)鍵導(dǎo)聯(lián)檢測(cè)效果
前額葉F3 導(dǎo)聯(lián)為最佳單通道，準(zhǔn)確率分別達(dá)94.5%（MAT）、94%（STEW），結(jié)果見表1、表 2。
表1 采用優(yōu)化后機(jī)器學(xué)習(xí)分類器得到的MAT數(shù)據(jù)集結(jié)果
表2 采用優(yōu)化后機(jī)器學(xué)習(xí)分類器得到的STEW數(shù)據(jù)集結(jié)果
3.特征選擇收斂性
圖 3表明 BAO 算法快速收斂，可高效篩選最優(yōu)特征子集，能顯著提升分類效率。
圖3 由 BAO 生成的適應(yīng)度曲線 / 擬合度曲線
4.腦區(qū)激活差異
圖4拓?fù)鋱D顯示，認(rèn)知任務(wù)態(tài)下前額葉 F3/F4/F7激活顯著強(qiáng)于靜息態(tài)，是認(rèn)知負(fù)荷核心響應(yīng)腦區(qū)。
圖3 靜息態(tài)與任務(wù)態(tài)下前三通道的拓?fù)浞植紙D
5.方法優(yōu)越性
表 3對(duì)比證實(shí)，R-LMD+BAO+OEL整體性能超過 DWT、SWT、EMD、VMD 等現(xiàn)有方法。
表3 與現(xiàn)有方法的對(duì)比
結(jié)論與討論
本研究通過系統(tǒng)優(yōu)化EEG信號(hào)分解、特征選擇與集成分類方法，確立了R-LMD+BAO+OEL框架在認(rèn)知負(fù)荷檢測(cè)中的核心優(yōu)勢(shì)。研究發(fā)現(xiàn)，該框架在MAT和STEW數(shù)據(jù)集上分別實(shí)現(xiàn)97.4%和96.1%的整體分類準(zhǔn)確率，前額葉F3導(dǎo)聯(lián)作為核心響應(yīng)腦區(qū)，單導(dǎo)聯(lián)檢測(cè)準(zhǔn)確率亦達(dá)94.5%和94%，顯著優(yōu)于傳統(tǒng)EEG分析方法。
研究不僅驗(yàn)證了導(dǎo)聯(lián)級(jí)特征分析結(jié)合優(yōu)化機(jī)器學(xué)習(xí)在認(rèn)知負(fù)荷檢測(cè)中的可行性，更構(gòu)建了一套從多域特征提取到高精度分類的完整EEG信號(hào)處理方法論。隨著腦機(jī)交互與實(shí)時(shí)認(rèn)知監(jiān)測(cè)需求的提升，該研究為認(rèn)知負(fù)荷檢測(cè)從整體分析向精細(xì)化腦區(qū)定位的轉(zhuǎn)變奠定了堅(jiān)實(shí)基礎(chǔ)，推動(dòng)腦電技術(shù)在人機(jī)工程、臨床神經(jīng)監(jiān)測(cè)等領(lǐng)域的實(shí)際應(yīng)用邁向精準(zhǔn)化新階段。
原文信息鏈接
Yedukondalu J, Sunkara K, Radhika V, et al. Cognitive load detection through EEG lead wise feature optimization and ensemble classification[J]. Scientific Reports, 2025, 15(1): 842.
DOI：10.1038/s41598-024-84429-6
研究團(tuán)隊(duì)
該研究由印度多所高校電子工程、計(jì)算機(jī)科學(xué)與數(shù)據(jù)科學(xué)領(lǐng)域?qū)W者跨校合作完成，Kalyani Sunkara為通訊作者，核心作者包括 Jammisetty Yedukondalu、Vankayalapati Radhika、Sivakrishna Kondaveeti 等，分別來自 QIS 工程技術(shù)學(xué)院、VIT-AP 大學(xué)、VNR Vignana Jyothi 工程技術(shù)學(xué)院等印度院校。
關(guān)于維拓啟創(chuàng)
維拓啟創(chuàng)（北京）信息技術(shù)有限公司成立于2006年，是一家專注于腦科學(xué)、康復(fù)工程、人因工程、心理學(xué)、體育科學(xué)等領(lǐng)域的科研解決方案供應(yīng)商。公司與國內(nèi)外多所大學(xué)、研究機(jī)構(gòu)、企業(yè)長(zhǎng)期保持合作關(guān)系，致力于將優(yōu)質(zhì)的產(chǎn)品、先進(jìn)的技術(shù)和服務(wù)帶給各個(gè)領(lǐng)域的科研工作者，為用戶提供有競(jìng)爭(zhēng)力的方案和服務(wù)，協(xié)助用戶的科研工作，持續(xù)提升使用體驗(yàn)。
相關(guān)產(chǎn)品
- R-LMD+BAO+OEL：一種高精度 EEG 認(rèn)知負(fù)荷檢測(cè)方法的研究
- 培養(yǎng)皿里的智能突破：DishBrain活體神經(jīng)元如何靠自學(xué)玩轉(zhuǎn)電玩
- 基于雙重閾值與相位差算法：眼動(dòng)腦機(jī)接口的技術(shù)突破與機(jī)器人控制實(shí)踐
- 發(fā)展性語言障礙兒童的靜息態(tài)腦電與語音感知探究
- 基于 fNIRS 的多語者語言切換神經(jīng)機(jī)制研究
- 基于EEG超掃描分析技術(shù)探究參與式用戶互動(dòng)中的來訪者情緒反應(yīng)
- 3Brain 3D HD‑MEA助力構(gòu)建人源基底前腦→皮層膽堿能投射模型
- 文獻(xiàn)解讀：認(rèn)知游戲干預(yù)重塑Rett綜合征腦電頻譜熵與頻率分布
- 博睿康侵入式腦機(jī)接口醫(yī)療器械獲批上市
- 維拓啟創(chuàng)高薪誠聘腦科學(xué)賽道銷售工程師、市場(chǎng)專員
- 贏富邀您參加2026汽車駕駛模擬與智能座艙技術(shù)研討會(huì)
- IHMD第二屆腦科學(xué)醫(yī)療器械創(chuàng)新與產(chǎn)業(yè)化論壇通知
- 禮智生物科技誠聘銷售主管、大區(qū)銷售經(jīng)理
- CNSD·CNS藥物開發(fā)與創(chuàng)新技術(shù)發(fā)展大會(huì)活動(dòng)議程
- CNSD · CNS藥物開發(fā)與創(chuàng)新技術(shù)發(fā)展大會(huì)報(bào)名開啟
- 禮智生物誠邀您蒞臨2025神經(jīng)環(huán)路示蹤與調(diào)控大會(huì)
Copyright(C) 1998-2026 生物器材網(wǎng) 電話：021-64166852;13621656896 E-mail：info@bio-equip.com