基于脑电图的认知工作负荷检测中实验范式与深度神经网络的系统综述
信号处理
2024-10-24 v1 机器学习
摘要
本文总结了一项关于基于脑电图（EEG）的认知工作负荷（CWL）估计的系统综述。文章关注两方面：识别用于可靠诱发离散且可量化认知负荷水平的不同实验范式，以及用于信号分类的深度神经网络（DNN）中常用输入公式的具体性质与表征结构。分析揭示了若干研究使用 EEG 信号作为其原生二维矩阵表示进行 CWL 离线分类。然而，仅少数研究采用在线或伪在线分类策略进行实时 CWL 估计。此外，截至本综述，仅少量可解释 DNN 和单一生成模型被用于认知负荷检测。研究者多半将 DNN 用作黑盒型模型。总之，DNN 被证明是分类 EEG 信号的有价值工具，主要因其网络架构深度所提供的强大建模能力。进一步建议，必须使用可解释和可说明的 DNN 模型进行认知工作负荷估计，因为现有方法在信号非平稳性面前存在局限。
引用
@article{arxiv.2309.07163,
title = {Systematic Review of Experimental Paradigms and Deep Neural Networks for Electroencephalography-Based Cognitive Workload Detection},
author = {Vishnu KN and Cota Navin Gupta},
journal= {arXiv preprint arXiv:2309.07163},
year = {2024}
}
备注
10 Pages, 4 figures