基于非马尔可夫动力系统的脑电图脑活动建模用于anticipating认知疲劳水平
人机交互
2026-05-05 v1
摘要
认知疲劳可从注意力集中转变为不准确响应，这在高风险环境中可能导致灾难性失败，但当前的黑盒评估技术忽略了大脑的非马尔可夫和时变相互依赖属性，限制了实时相位转换检测。我们开发了一种基于分数动力网络的机器学习(FDNML)框架，使用耦合分数阶微分方程捕获脑信号的相互依赖性并实时检测认知疲劳转换。脑活动的多 fractal 属性在不同疲劳水平下呈现出不同的广义 fractal 维数签名，状态 0-1、1-2 与 0-2 之间的 Wasserstein 距离分别为 0.10、0.13 和 0.08。该框架实现了 93.33% 的分类准确率和 95% 的 AUROC，使我们能够通过早期检测神经状态转换来防止性能下降。
引用
@article{arxiv.2605.01043,
title = {Non-Markovian Dynamical Systems Modeling of Electroencephalogram-based Brain Activity for Anticipating the Cognitive Fatigue Level},
author = {Zeinabsadat Saghi and Daria Riabukhina and Olubukola Akinbami and Paul Bogdan and Souti Chattopadhyay},
journal= {arXiv preprint arXiv:2605.01043},
year = {2026}
}