R-LMD+BAO+OEL：一種高精度 EEG 認知負荷檢測方法的研究
R-LMD+BAO+OEL：一種高精度 EEG 認知負荷檢測方法
引言/背景
人們在執(zhí)行心算、多任務并行等認知活動時會產(chǎn)生不同程度的心理負荷，精準監(jiān)測這種認知負荷有助于評估腦力狀態(tài)、預防認知疲勞與失誤。EEG 能直接捕捉大腦神經(jīng)電活動，是實時檢測認知負荷的理想手段，但傳統(tǒng)方法在信號分解、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，缺少對不同腦區(qū)導聯(lián)的精細化對比。為實現(xiàn)高準確率、導聯(lián)級的認知負荷檢測，本研究采用腦電技術(shù)結(jié)合信號處理與集成學習方法，在 MAT 心算任務與 STEW 同步任務兩類公開數(shù)據(jù)集上展開驗證。通過優(yōu)化信號分解、特征選擇與分類模型，同時對比全導聯(lián)與單導聯(lián)表現(xiàn)，旨在建立一套穩(wěn)定高效的認知負荷檢測框架，明確關(guān)鍵響應腦區(qū)，為實時腦機交互與認知狀態(tài)監(jiān)測提供技術(shù)支撐。
論文概要
近日，相關(guān)研究團隊采用腦電技術(shù)與機器學習算法，系統(tǒng)構(gòu)建了基于 EEG 導聯(lián)特征優(yōu)化的認知負荷檢測方法。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 心算任務與 STEW 同步任務兩類公開數(shù)據(jù)集的腦電信號，采用 R LMD 分解、BAO 二進制特征選擇與優(yōu)化集成學習（OEL）分類，比較了全導聯(lián)與單導聯(lián)在認知負荷識別中的準確率、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)集上準確率達97.4%，STEW 數(shù)據(jù)集達96.1%；且前額葉 F3 導聯(lián)在單導聯(lián)檢測中表現(xiàn)突出，分別達到 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 兩個公開 EEG 數(shù)據(jù)集開展認知負荷檢測，分別包含 36 名心算任務被試與 48 名同步任務被試，均采用國際 10-20 系統(tǒng)布設電極。研究采用導聯(lián)級與整體特征并行分析范式，先將 EEG 信號切分為 4 秒片段，再通過濾波與偽跡重建完成預處理：
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。
信號處理核心采用魯棒局部均值分解（R-LMD），將各通道 EEG 自適應分解為 5 個模態(tài)分量，提取時域（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)建適應度函數(shù)。分類階段使用 6 種優(yōu)化機器學習模型（樹、判別式、樸素貝葉斯、KNN、SVM、優(yōu)化集成學習 OEL），采用 10 折交叉驗證評估性能，重點統(tǒng)計準確率（AC）、靈敏度（SE）與特異度（SP）。
研究結(jié)果
1.整體分類精度
優(yōu)化集成學習（OEL）在兩套數(shù)據(jù)集均達最優(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)鍵導聯(lián)檢測效果
前額葉F3 導聯(lián)為最佳單通道，準確率分別達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拓撲圖顯示，認知任務態(tài)下前額葉 F3/F4/F7激活顯著強于靜息態(tài)，是認知負荷核心響應腦區(qū)。
5.方法優(yōu)越性
表 3對比證實，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信號分解、特征選擇與集成分類方法，確立了R-LMD+BAO+OEL框架在認知負荷檢測中的核心優(yōu)勢。研究發(fā)現(xiàn)，該框架在MAT和STEW數(shù)據(jù)集上分別實現(xiàn)97.4%和96.1%的整體分類準確率，前額葉F3導聯(lián)作為核心響應腦區(qū)，單導聯(lián)檢測準確率亦達94.5%和94%，顯著優(yōu)于傳統(tǒng)EEG分析方法。
研究不僅驗證了導聯(lián)級特征分析結(jié)合優(yōu)化機器學習在認知負荷檢測中的可行性，更構(gòu)建了一套從多域特征提取到高精度分類的完整EEG信號處理方法論。隨著腦機交互與實時認知監(jiān)測需求的提升，該研究為認知負荷檢測從整體分析向精細化腦區(qū)定位的轉(zhuǎn)變奠定了堅實基礎，推動腦電技術(shù)在人機工程、臨床神經(jīng)監(jiān)測等領(lǐng)域的實際應用邁向精準化新階段。
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
研究團隊
該研究由印度多所高校電子工程、計算機科學與數(shù)據(jù)科學領(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)學院、VIT-AP 大學、VNR Vignana Jyothi 工程技術(shù)學院等印度院校。
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、康復工程、人因工程、心理學、體育科學等領(lǐng)域的科研解決方案供應商。公司與國內(nèi)外多所大學、研究機構(gòu)、企業(yè)長期保持合作關(guān)系，致力于將優(yōu)質(zhì)的產(chǎn)品、先進的技術(shù)和服務帶給各個領(lǐng)域的科研工作者，為用戶提供有競爭力的方案和服務，協(xié)助用戶的科研工作，持續(xù)提升使用體驗。
相關(guān)產(chǎn)品
引言/背景
人們在執(zhí)行心算、多任務并行等認知活動時會產(chǎn)生不同程度的心理負荷，精準監(jiān)測這種認知負荷有助于評估腦力狀態(tài)、預防認知疲勞與失誤。EEG 能直接捕捉大腦神經(jīng)電活動，是實時檢測認知負荷的理想手段，但傳統(tǒng)方法在信號分解、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，缺少對不同腦區(qū)導聯(lián)的精細化對比。為實現(xiàn)高準確率、導聯(lián)級的認知負荷檢測，本研究采用腦電技術(shù)結(jié)合信號處理與集成學習方法，在 MAT 心算任務與 STEW 同步任務兩類公開數(shù)據(jù)集上展開驗證。通過優(yōu)化信號分解、特征選擇與分類模型，同時對比全導聯(lián)與單導聯(lián)表現(xiàn)，旨在建立一套穩(wěn)定高效的認知負荷檢測框架，明確關(guān)鍵響應腦區(qū)，為實時腦機交互與認知狀態(tài)監(jiān)測提供技術(shù)支撐。
論文概要
近日，相關(guān)研究團隊采用腦電技術(shù)與機器學習算法，系統(tǒng)構(gòu)建了基于 EEG 導聯(lián)特征優(yōu)化的認知負荷檢測方法。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 心算任務與 STEW 同步任務兩類公開數(shù)據(jù)集的腦電信號，采用 R LMD 分解、BAO 二進制特征選擇與優(yōu)化集成學習（OEL）分類，比較了全導聯(lián)與單導聯(lián)在認知負荷識別中的準確率、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)集上準確率達97.4%，STEW 數(shù)據(jù)集達96.1%；且前額葉 F3 導聯(lián)在單導聯(lián)檢測中表現(xiàn)突出，分別達到 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 兩個公開 EEG 數(shù)據(jù)集開展認知負荷檢測，分別包含 36 名心算任務被試與 48 名同步任務被試，均采用國際 10-20 系統(tǒng)布設電極。研究采用導聯(lián)級與整體特征并行分析范式，先將 EEG 信號切分為 4 秒片段，再通過濾波與偽跡重建完成預處理：
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。
信號處理核心采用魯棒局部均值分解（R-LMD），將各通道 EEG 自適應分解為 5 個模態(tài)分量，提取時域（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)建適應度函數(shù)。分類階段使用 6 種優(yōu)化機器學習模型（樹、判別式、樸素貝葉斯、KNN、SVM、優(yōu)化集成學習 OEL），采用 10 折交叉驗證評估性能，重點統(tǒng)計準確率（AC）、靈敏度（SE）與特異度（SP）。
圖1 認知負荷檢測方法流程圖
研究結(jié)果
1.整體分類精度
優(yōu)化集成學習（OEL）在兩套數(shù)據(jù)集均達最優(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)鍵導聯(lián)檢測效果
前額葉F3 導聯(lián)為最佳單通道，準確率分別達94.5%（MAT）、94%（STEW），結(jié)果見表1、表 2。
表1 采用優(yōu)化后機器學習分類器得到的MAT數(shù)據(jù)集結(jié)果
表2 采用優(yōu)化后機器學習分類器得到的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 生成的適應度曲線 / 擬合度曲線
4.腦區(qū)激活差異
圖4拓撲圖顯示，認知任務態(tài)下前額葉 F3/F4/F7激活顯著強于靜息態(tài)，是認知負荷核心響應腦區(qū)。
圖3 靜息態(tài)與任務態(tài)下前三通道的拓撲分布圖
5.方法優(yōu)越性
表 3對比證實，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)有方法的對比
結(jié)論與討論
本研究通過系統(tǒng)優(yōu)化EEG信號分解、特征選擇與集成分類方法，確立了R-LMD+BAO+OEL框架在認知負荷檢測中的核心優(yōu)勢。研究發(fā)現(xiàn)，該框架在MAT和STEW數(shù)據(jù)集上分別實現(xiàn)97.4%和96.1%的整體分類準確率，前額葉F3導聯(lián)作為核心響應腦區(qū)，單導聯(lián)檢測準確率亦達94.5%和94%，顯著優(yōu)于傳統(tǒng)EEG分析方法。
研究不僅驗證了導聯(lián)級特征分析結(jié)合優(yōu)化機器學習在認知負荷檢測中的可行性，更構(gòu)建了一套從多域特征提取到高精度分類的完整EEG信號處理方法論。隨著腦機交互與實時認知監(jiān)測需求的提升，該研究為認知負荷檢測從整體分析向精細化腦區(qū)定位的轉(zhuǎn)變奠定了堅實基礎，推動腦電技術(shù)在人機工程、臨床神經(jīng)監(jiān)測等領(lǐng)域的實際應用邁向精準化新階段。
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
研究團隊
該研究由印度多所高校電子工程、計算機科學與數(shù)據(jù)科學領(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)學院、VIT-AP 大學、VNR Vignana Jyothi 工程技術(shù)學院等印度院校。
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、康復工程、人因工程、心理學、體育科學等領(lǐng)域的科研解決方案供應商。公司與國內(nèi)外多所大學、研究機構(gòu)、企業(yè)長期保持合作關(guān)系，致力于將優(yōu)質(zhì)的產(chǎn)品、先進的技術(shù)和服務帶給各個領(lǐng)域的科研工作者，為用戶提供有競爭力的方案和服務，協(xié)助用戶的科研工作，持續(xù)提升使用體驗。
相關(guān)產(chǎn)品
- 博�？登秩胧侥X機接口醫(yī)療器械獲批上市
- 維拓啟創(chuàng)高薪誠聘腦科學賽道銷售工程師、市場專員
- 贏富邀您參加2026汽車駕駛模擬與智能座艙技術(shù)研討會
- IHMD第二屆腦科學醫(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)展大會活動議程
- CNSD · CNS藥物開發(fā)與創(chuàng)新技術(shù)發(fā)展大會報名開啟
- 禮智生物誠邀您蒞臨2025神經(jīng)環(huán)路示蹤與調(diào)控大會
Copyright(C) 1998-2026 生物器材網(wǎng) 電話：021-64166852;13621656896 E-mail：info@bio-equip.com