CN111387976B - 一种基于眼动和脑电数据的认知负荷评估方法 - Google Patents
一种基于眼动和脑电数据的认知负荷评估方法 Download PDFInfo
- Publication number
- CN111387976B CN111387976B CN202010234303.5A CN202010234303A CN111387976B CN 111387976 B CN111387976 B CN 111387976B CN 202010234303 A CN202010234303 A CN 202010234303A CN 111387976 B CN111387976 B CN 111387976B
- Authority
- CN
- China
- Prior art keywords
- cognitive load
- data
- eye movement
- electroencephalogram
- low
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/163—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state by tracking eye movement, gaze, or pupil change
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Developmental Disabilities (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种基于眼动和脑电数据的认知负荷评估方法,基于眼动数据和脑电数据,使用支持向量机算法来计算飞行员的认知负荷,基于眼动和脑电数据进行认知负荷评估和计算,使认知负荷的评估和计算具备实时性,使飞行员及地勤人员可实时了解当前飞行员的认知负荷状态,提升执行飞行任务的效率。本发明克服了原有主观评测法实时性差的缺点,使认知负荷这一结果可以实时计算并反馈,增强了对飞行员飞行状态的实时监督。
Description
技术领域
本发明涉及人因工程领域,尤其是一种飞行员的认知负荷计算方法。
背景技术
面对未来日益复杂飞行的环境,飞行员在执行飞行任务时面临着态势复杂多变、数据实时更新和任务繁重紧迫等困难,为了防止飞行员由于认知负荷过高而产生的态势理解能力下降的现象,需要对飞行员的认知负荷进行评估和计算。目前,评估和计算认知负荷的方法主要是基于问卷和量表的主观评测法,该方法只适用于实验环境,不具备实时评估与计算的功能。
发明内容
为了克服现有技术的不足,本发明提供一种基于眼动和脑电数据的认知负荷评估方法。本发明基于眼动数据和脑电数据,使用支持向量机算法来计算飞行员的认知负荷(认知负荷高/认知负荷低),基于眼动和脑电数据进行认知负荷评估和计算,使认知负荷的评估和计算具备实时性。因此,本发明基于眼动和脑电数据进行飞行员认知负荷的评估和计算,使飞行员及地勤人员可实时了解当前飞行员的认知负荷状态,提升执行飞行任务的效率。
本发明解决其技术问题所采用的技术方案包括如下步骤:
Step1:基于眼动数据计算认知负荷;
用于计算认知负荷的眼动数据总共有7个指标,分别是:凝视时长、凝视次数、扫视时长、扫视次数、扫视角度、瞳孔面积和眨眼率7个眼动数据,各眼动数据的具体定义如表1所示:
表1各眼动数据解释
接下来,需要对7个眼动数据进行归一化,将眼动数据统一到0~1之间,归一化公式如下:
其中,i的取值范围为{1,2,3,4,5,6,7},分别代表以上7个眼动数据;x1i表示各眼动数据的原始值大小;x1min和x1max分别表示各眼动数据原始值的最小值和最大值;
将7个眼动数据归一化后,根据支持向量机的决策方程与0的关系来判断认知负荷的高低,基于数据对模型进行训练,训练完成后会得到支持向量机决策方程的两个参数w1和b1,分别为决策方程的权重和决策方程的附加量;
得到两个参数w1和b1后,根据决策方程与0的关系即可判断认知负荷的高低,决策方程如下:
f(x1)=w1·x1+b1 (2)
其中,x1为归一化后的7个眼动数据所构成的向量,通过公式(2),计算出最终结果,将最终结果与0进行比较,若小于0则为高认知负荷,大于0则为低认知负荷;
Step2:基于脑电数据(alpha波)计算认知负荷
脑电数据根据脑电波频率的不同可分为5种,分别是Delta、Theta、Alpha、Beta、Gamma波,具体下表3所示:
表3脑电数据定义
计算认知负荷时,使用alpha波进行计算,每个alpha波数据中共包含m个数据,m个数据来自于大脑m个不同的部位,m个部位的alpha波脑电数据分别用alpha_1~
alpha_m表示,对脑电数据进行归一化处理,归一化公式如下:
其中,i的取值范围为1-m,分别代表m个alpha波脑电数据;x2i表示各脑电数据的原始值大小;x2min和x2min分别表示各脑电数据原始值的最小值和最大值;将m个脑电数据归一化后,同样根据支持向量机的决策方程与0的关系来判断认知负荷的高低;
支持向量机的决策方程如下:
f(x2)=w2·x2+b2 (4)
其中,x2为归一化后的20个脑电数据所构成的向量,通过公式(4),计算出最终结果,将最终结果与0进行比较,若小于0则为高认知负荷,大于0则为低认知负荷;
Step3:将Step1、Step2计算的2个认知负荷结果进行组合,得到最终结果,结果组合如下公式所示:
(1)IF(认知负荷(脑电)=高)AND(认知负荷(眼动)=高)THEN(认知负荷=高)
(2)IF(认知负荷(脑电)=低)AND(认知负荷(眼动)=低)THEN(认知负荷=低)
(3)IF(认知负荷(脑电)=高)AND(认知负荷(眼动)=低)THEN(认知负荷=低)
(4)IF(认知负荷(脑电)=低)AND(认知负荷(眼动)=高)THEN(认知负荷=低)
通过上述规则,可计算出最终的认知负荷。
所述Step1中,w1和b1的取值分别为:
w1=[-3.948-0.041,0.355,-0.461,1.155,0.998,-3.521]T
b1=[1.882]T。
所述Step1中,各眼动数据原始值的最小值和最大值的取值范围如表2所示:
表2眼动指标的最值
其中,各眼动数据原始值的最小值为x1min,最大值为x1max。
所述Step2中,权重w2和决策方程附加量b2分别为:
w2=[-3.186,-3.186,1.243,8.424,-3.432,-1.122,-2.386,1.913,-1.638,-9.523,9.669,-1.049,-7.967,-6.736,1.684,5.207,-9.564,-1.848,1.580,-1.497]T,
b2=[0.742884]。
本发明有益效果在于基于眼动和脑电数据进行认知负荷评估与计算,克服了原有方法(主观评测法)实时性差的缺点,使认知负荷这一结果可以实时计算并反馈,增强了对飞行员飞行状态的实时监督。
具体实施方式
下面结合实施例对本发明进一步说明。
Step1:基于眼动数据计算认知负荷;
用于计算认知负荷的眼动数据总共有7个指标,分别是:凝视时长、凝视次数、扫视时长、扫视次数、扫视角度、瞳孔面积和眨眼率7个眼动数据,各眼动数据的具体定义如表1所示:
表1各眼动数据解释
接下来,需要对7个眼动数据进行归一化,将眼动数据统一到0~1之间,归一化公式如下:
其中,i的取值范围为{1,2,3,4,5,6,7},分别代表以上7个眼动数据;x1i表示各眼动数据的原始值大小;x1min和x1max分别表示各眼动数据原始值的最小值和最大值;具体如表2所示:
表2眼动指标的最值
将7个眼动数据归一化后,根据支持向量机的决策方程与0的关系来判断认知负荷的高低。支持向量机是一种数据分类算法,常用于处理具有多维特征的二分类问题。在使用之前需要基于数据对模型进行训练,训练完成后会得到支持向量机决策方程的两个参数w1和b1,分别为决策方程的权重和决策方程的附加量;
得到两个参数w1和b1后,根据决策方程与0的关系即可判断认知负荷的高低,决策方程如下:
f(x1)=w1·x1+b1 (2)
其中,x1为归一化后的7个眼动数据所构成的向量,权重值大小为w1=[-3.948-0.041,0.355,-0.461,1.155,0.998,-3.521]T,b1=[1.882]T,通过公式(2),计算出最终结果,将最终结果与0进行比较,若小于0则为高认知负荷,大于0则为低认知负荷;
Step2:基于脑电数据(alpha波)计算认知负荷
脑电数据根据脑电波频率的不同可分为5种,分别是Delta、Theta、Alpha、Beta、Gamma波,具体下表3所示:
表3脑电数据定义
计算认知负荷时,使用alpha波进行计算,每个alpha波数据中共包含20个数据,20个数据来自于大脑20个不同的部位,具体如表4所示:
表4脑电数据采集部位
以上20个部位的alpha波脑电数据分别用alpha_1~alpha_20表示,对脑电数据进行归一化处理,归一化公式如下:
其中,i的取值范围为1-20,分别代表20个alpha波脑电数据;x2i表示各脑电数据的原始值大小;x2min和x2min分别表示各脑电数据原始值的最小值和最大值;具体如表5所示:
表5脑电(alpha波段)数据的最值
将20个脑电数据归一化后,同样根据支持向量机的决策方程与0的关系来判断认知负荷的高低;
支持向量机的决策方程如下:
f(x2)=w2·x2+b2 (4)
其中,x2为归一化后的20个脑电数据所构成的向量,w2=[-3.186,-3.186,1.243,8.424,-3.432,-1.122,-2.386,1.913,-1.638,-9.523,9.669,-1.049,-7.967,-6.736,1.684,5.207,-9.564,-1.848,1.580,-1.497]T,,b2=[0.742884],通过公式(4),计算出最终结果,将最终结果与0进行比较,若小于0则为高认知负荷,大于0则为低认知负荷;
Step3:将Step1、Step2计算的2个认知负荷结果进行组合,得到最终结果,结果组合如下公式所示:
(1)IF(认知负荷(脑电)=高)AND(认知负荷(眼动)=高)THEN(认知负荷=高)
(2)IF(认知负荷(脑电)=低)AND(认知负荷(眼动)=低)THEN(认知负荷=低)
(3)IF(认知负荷(脑电)=高)AND(认知负荷(眼动)=低)THEN(认知负荷=低)
(4)IF(认知负荷(脑电)=低)AND(认知负荷(眼动)=高)THEN(认知负荷=低)
通过上述规则,可计算出最终的认知负荷。
实施例1:被试人员1在模拟飞行驾驶时计算其认知负荷
被试人员1在模拟飞行驾驶的过程中共测得了5组有效数据,现根据测得的脑电、眼动数据计算其认知负荷。
Step1:基于眼动数据计算认知负荷
首先从眼动设备中导出5组眼动数据,具体眼动数据如下表所示:
表6眼动数据原始数值
导出原始数据后,需要对原始数据进行归一化,根据公式1-5和表2,计算出归一化后的眼动值,如下表所示。
表7眼动数据归一化数值
归一化数据计算完后,根据公式1-6,可计算出决策函数的结果值,结果为f(x)=[1.82,-2.04,2.07,2.17,1.35]T,判断其与0的大小关系即可得出各样本的认知负荷最终结果为:{低,高,低,低,低}
Step2:基于脑电数据计算认知负荷
首先导出脑电数据的原始值,具体如下表所示:
表8脑电(alpha波段)的原始数据
导出原始数据后,需要对原始数据进行归一化,根据公式1-7和表5,计算出归一化后的眼动值,如下表所示。
表9脑电(alpha波段)的归一化后数据
归一化数据计算完后,根据公式1-8,可计算出决策函数的结果值,结果为f(x)=[5.95,5.73,-12.34,3.96,2.75]T,判断其与0的大小关系即可得出各样本的认知负荷,最终结果为:{低,低,高,低,低}
Step3:将Step1、Step2计算的2个认知负荷结果进行组合,得到最终结果
根据组合规则,基于眼动数据计算的认知负荷为{低,高,低,低,低},基于脑电计算的认知负荷为{低,低,高,低,低},两者最终组合的认知负荷结果为{低,低,低,低,低}
实施例2:被试人员2在模拟飞行驾驶时计算其认知负荷
被试人员2在模拟飞行驾驶的过程中共测得了5组有效数据,现根据测得的脑电、眼动数据计算其认知负荷。
Step1:基于眼动数据计算认知负荷
首先从眼动设备中导出5组眼动数据,具体眼动数据如下表所示:
表10眼动数据原始数值
导出原始数据后,需要对原始数据进行归一化,根据公式1-5和表2,计算出归一化后的眼动值,如下表所示。
表11眼动数据归一化数值
归一化数据计算完后,根据公式1-6,可计算出决策函数的结果值,结果为f(x)=[1.82,-2.04,2.07,2.17,1.35]T,判断其于0的大小关系即可得出10各样本的认知负荷,最终结果为:{高,低,低,高,低}
Step2:基于脑电数据计算认知负荷
首先导出脑电数据的原始值,具体如下表所示:
表12脑电(alpha波段)的原始数据
导出原始数据后,需要对原始数据进行归一化,根据公式1-7和表5,计算出归一化后的眼动值,如下表所示。
表13脑电(alpha波段)的归一化后数据
归一化数据计算完后,根据公式1-8,可计算出决策函数的结果值,结果为f(x)=[-16.67,0.31,2.22,0.82,5.01]T,判断其与0的大小关系即可得出各样本的认知负荷最终结果为:{高,低,低,低,低}
Step3:将Step1、Step2计算的2个认知负荷结果进行组合,得到最终结果
根据组合规则,基于眼动数据计算的认知负荷为{高,低,低,高,低}
,基于脑电计算的认知负荷为{高,低,低,低,低},两者最终组合的认知负荷结果为{高,低,低,低,低}。
Claims (4)
1.一种基于眼动和脑电数据的认知负荷评估方法,其特征在于包括下述步骤:
Step1:基于眼动数据计算认知负荷;
用于计算认知负荷的眼动数据总共有7个指标,分别是:凝视时长、凝视次数、扫视时长、扫视次数、扫视角度、瞳孔面积和眨眼率7个眼动数据,各眼动数据的具体定义如表1所示:
表1各眼动数据解释
接下来,需要对7个眼动数据进行归一化,将眼动数据统一到0~1之间,归一化公式如下:
其中,i的取值范围为{1,2,3,4,5,6,7},分别代表以上7个眼动数据;x1i表示各眼动数据的原始值大小;x1min和x1max分别表示各眼动数据原始值的最小值和最大值;表示各眼动数据归一化后的结果;
将7个眼动数据归一化后,根据支持向量机的决策方程与0的关系来判断认知负荷的高低,基于数据对模型进行训练,训练完成后会得到支持向量机决策方程的两个参数w1和b1,分别为决策方程的权重和决策方程的附加量;
得到两个参数w1和b1后,根据决策方程与0的关系即可判断认知负荷的高低,决策方程如下:
Step2:基于脑电数据(alpha波)计算认知负荷
脑电数据根据脑电波频率的不同可分为5种,分别是Delta、Theta、Alpha、Beta、Gamma波,具体下表3所示:
表3脑电数据定义
计算认知负荷时,使用alpha波进行计算,每个alpha波数据中共包含20个数据,20个数据来自于大脑20个不同的部位,20个部位的alpha波脑电数据分别用alpha_1~alpha_20表示,对脑电数据进行归一化处理,归一化公式如下:
其中,i的取值范围为1-20,分别代表第1-20个alpha波脑电数据;x2i表示各脑电数据的原始值大小;为归一化后的脑电数据,x2min和x2min分别表示各脑电数据原始值的最小值和最大值;将20个脑电数据归一化后,同样根据支持向量机的决策方程与0的关系来判断认知负荷的高低;
支持向量机的决策方程如下:
Step3:将Step1、Step2计算的2个认知负荷结果进行组合,得到最终结果,结果组合如下公式所示:
(1)IF(认知负荷(脑电)=高)AND(认知负荷(眼动)=高)THEN(认知负荷=高)
(2)IF(认知负荷(脑电)=低)AND(认知负荷(眼动)=低)THEN(认知负荷=低)
(3)IF(认知负荷(脑电)=高)AND(认知负荷(眼动)=低)THEN(认知负荷=低)
(4)IF(认知负荷(脑电)=低)AND(认知负荷(眼动)=高)THEN(认知负荷=低)
可计算出最终的认知负荷。
2.根据权利要求1所述的基于眼动和脑电数据的认知负荷评估方法,其特征在于:
所述Step1中,w1和b1的取值分别为:
w1=[-3.948,-0.041,0.355,-0.461,1.155,0.998,-3.521]T
b1=[1.882]T。
4.根据权利要求1所述的基于眼动和脑电数据的认知负荷评估方法,其特征在于:
所述Step2中,权重w2和决策方程附加量b2分别为:
w2=[-3.186,-3.186,1.243,8.424,-3.432,-1.122,-2.386,1.913,-1.638,-9.523,9.669,-1.049,-7.967,-6.736,1.684,5.207,-9.564,-1.848,1.580,-1.497]T,
b2=[0.742884]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010234303.5A CN111387976B (zh) | 2020-03-30 | 2020-03-30 | 一种基于眼动和脑电数据的认知负荷评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010234303.5A CN111387976B (zh) | 2020-03-30 | 2020-03-30 | 一种基于眼动和脑电数据的认知负荷评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111387976A CN111387976A (zh) | 2020-07-10 |
CN111387976B true CN111387976B (zh) | 2022-11-29 |
Family
ID=71411301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010234303.5A Active CN111387976B (zh) | 2020-03-30 | 2020-03-30 | 一种基于眼动和脑电数据的认知负荷评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111387976B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113180667B (zh) * | 2021-04-29 | 2022-09-23 | 南昌虚拟现实研究院股份有限公司 | 认知负荷评估方法、装置、存储介质及计算机设备 |
CN113349780A (zh) * | 2021-06-07 | 2021-09-07 | 浙江科技学院 | 一种情绪设计对在线学习认知负荷影响的评估方法 |
CN113229791B (zh) * | 2021-06-12 | 2024-02-02 | 西北工业大学 | 一种基于眼动和生理数据的飞行员任务负荷在线评估方法 |
CN115462755A (zh) * | 2022-08-31 | 2022-12-13 | 北京津发科技股份有限公司 | 飞行员认知能力评估方法、系统和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101690666A (zh) * | 2009-10-13 | 2010-04-07 | 北京工业大学 | 汽车驾驶员驾驶工作负荷计算方法 |
CN102579040A (zh) * | 2012-03-18 | 2012-07-18 | 西北工业大学 | 一种脑电波采集的穴位选择方法 |
JP2012161376A (ja) * | 2011-02-03 | 2012-08-30 | Nec Corp | 認知負荷評価装置、認知負荷評価方法、及びプログラム |
CN109117731A (zh) * | 2018-07-13 | 2019-01-01 | 华中师范大学 | 一种课堂教学认知负荷测量系统 |
CN109741007A (zh) * | 2018-12-12 | 2019-05-10 | 北京航空航天大学 | 一种航空驾驶舱工作负荷试验的被试人员筛选方法 |
CN110693493A (zh) * | 2019-10-12 | 2020-01-17 | 北京工业大学 | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测方法 |
CN110801237A (zh) * | 2019-11-10 | 2020-02-18 | 中科搏锐(北京)科技有限公司 | 一种基于眼动和脑电特征的认知能力评估系统及其方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6530884B2 (en) * | 1998-10-30 | 2003-03-11 | The United States Of America As Represented By The Secretary Of The Army | Method and system for predicting human cognitive performance |
CN102396009B (zh) * | 2009-11-09 | 2014-06-25 | 松下电器产业株式会社 | 注意力状态判定装置、方法 |
WO2017060804A1 (en) * | 2015-10-05 | 2017-04-13 | Tata Consultancy Services Limited | Method and system for pre-processing of an eeg signal for cognitive load measurement |
EP3466338A1 (en) * | 2017-10-03 | 2019-04-10 | Tata Consultancy Services Limited | Cognitive load estimation based on pupil dilation |
-
2020
- 2020-03-30 CN CN202010234303.5A patent/CN111387976B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101690666A (zh) * | 2009-10-13 | 2010-04-07 | 北京工业大学 | 汽车驾驶员驾驶工作负荷计算方法 |
JP2012161376A (ja) * | 2011-02-03 | 2012-08-30 | Nec Corp | 認知負荷評価装置、認知負荷評価方法、及びプログラム |
CN102579040A (zh) * | 2012-03-18 | 2012-07-18 | 西北工业大学 | 一种脑电波采集的穴位选择方法 |
CN109117731A (zh) * | 2018-07-13 | 2019-01-01 | 华中师范大学 | 一种课堂教学认知负荷测量系统 |
CN109741007A (zh) * | 2018-12-12 | 2019-05-10 | 北京航空航天大学 | 一种航空驾驶舱工作负荷试验的被试人员筛选方法 |
CN110693493A (zh) * | 2019-10-12 | 2020-01-17 | 北京工业大学 | 一种基于卷积与循环神经网络结合时间多尺度的癫痫脑电预测方法 |
CN110801237A (zh) * | 2019-11-10 | 2020-02-18 | 中科搏锐(北京)科技有限公司 | 一种基于眼动和脑电特征的认知能力评估系统及其方法 |
Non-Patent Citations (4)
Title |
---|
A Cognitive Load Assessment Method Considering Individual Differences in Eye Movement Data;Chen,J;《2019 IEEE 15TH INTERNATIONAL CONFERENCE ON CONTROL AND AUTOMATION (ICCA)》;20191114;第295-300页 * |
Classification of cognitive and resting states of the brain using EEG features;Ahmad, R.F;《2016 IEEE International Symposium on Medical Measurements and Applications (MeMeA)》;20160911;全文 * |
基于脑电信号的脑力负荷监测技术研究现状;王禹;《航天医学与医学工程》;20181231;第577-582页 * |
基于飞行员多生理参数的工作负荷研究;俞碧婷;《中国优秀硕士学位论文全文数据库》;20200215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111387976A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111387976B (zh) | 一种基于眼动和脑电数据的认知负荷评估方法 | |
CN104887224B (zh) | 面向癫痫脑电信号的特征提取与自动识别方法 | |
CN108318249B (zh) | 一种旋转机械轴承的故障诊断方法 | |
CN111407292A (zh) | 基于眼动和多参生理数据信息的飞行员工作负荷评估方法 | |
CN106548230A (zh) | 基于改进粒子群优化神经网络的变压器故障诊断方法 | |
US20210109140A1 (en) | Method for identifying parameters of 10 kv static load model based on similar daily load curves | |
CN112668105B (zh) | 一种基于sae与马氏距离的直升机传动轴异常判定方法 | |
CN108387887A (zh) | 一种水声信号的混合降噪方法 | |
CN116154972B (zh) | 一种分布式电网电能质量监测方法及系统 | |
CN104597217A (zh) | 一种基于成熟规律的水果成熟度评价方法 | |
CN111429013A (zh) | 基于注意力分配和个体状态的飞行员情境觉知评测方法 | |
CN110186556A (zh) | 一种新能源汽车电机台架试验噪声评价方法 | |
Alexander et al. | Analysis of noisy signal restoration quality with exponential moving average filter | |
CN112294340A (zh) | 快速自动去除肌电伪迹的方法、系统、存储介质及计算机设备 | |
Oo et al. | Signal-to-noise ratio estimation in electromyography signals contaminated with electrocardiography signals | |
CN111067553A (zh) | 一种在多环境要素作用下的作业人员人体效能实验系统 | |
CN113229791B (zh) | 一种基于眼动和生理数据的飞行员任务负荷在线评估方法 | |
CN112468229B (zh) | 基于混合分布模型的大气湍流信道衰落参数估计方法 | |
CN104123723A (zh) | 基于结构补偿的图像质量评价方法 | |
Katemee et al. | Control charts for zero-inflated Poisson models | |
CN111142134B (zh) | 一种坐标时间序列处理方法及装置 | |
CN108345383A (zh) | 基于脑电波的人脑喜好度检测方法及装置 | |
Pan et al. | Bearing compound fault acoustic diagnosis based on improved blind deconvolution algorithm | |
CN112773365B (zh) | 潜航员潜航作业脑力负荷监测系统 | |
CN113011737A (zh) | 一种装备实战化能力的矢量分析评估方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |