SCVCNet：用于跨任务与跨个体集基于EEG的认知负荷识别的滑动交叉向量卷积网络
信号处理
2025-04-08 v1 人工智能
机器学习
摘要
本文提出一种利用不同人机任务与个体集间共同脑电图（EEG）模式来应用认知负荷识别器的通用方法。我们提出一种称为SCVCNet的神经网络，其通过分析功率谱密度中更细粒度的频率结构来消除EEG中与任务和个体集相关的干扰。SCVCNet采用滑动交叉向量卷积（SCVC）操作，其中使用表示theta与alpha功率的成对输入层。通过从核矩阵的中心行与列提取权重，我们计算指定头皮位置周围两个向量的加权和。接下来，我们引入频点间特征融合模块以融合SCVC特征图。最后，我们将两个模块与输出通道池化及分类层结合构建模型。为训练SCVCNet，我们采用带岭回归的正则化最小二乘法与极限学习机理论。我们使用三个数据库验证其性能，每个数据库由独立被试组执行的不同任务组成。两种不同验证范式下取得的平均准确率（0.6813与0.6229）与F1分数（0.6743与0.6076）显示出部分优于先前工作的性能。所有特征与算法可在网站获取：https://github.com/7ohnKeats/SCVCNet。
引用
@article{arxiv.2310.03749,
title = {SCVCNet: Sliding cross-vector convolution network for cross-task and inter-individual-set EEG-based cognitive workload recognition},
author = {Qi Wang and Li Chen and Zhiyuan Zhan and Jianhua Zhang and Zhong Yin},
journal= {arXiv preprint arXiv:2310.03749},
year = {2025}
}
备注
12 pages