脑电信号中独立分量特征提取与脑力负荷分类
【摘要】 脑力负荷过高会造成作业绩效下降和人因事故，过低则会造成人力资源浪费，所以研究操作人员脑力负荷状态非常有意义。现有脑力负荷分类方法利用脑电(electroencephalogram，EEG)信号特征进行分类，准确率较低。所以，针对视觉和操作类脑力负荷提出一种基于脑电独立分量特征的分类方法，该方法采用独立分量分析(independentcomponentanalysis，ICA)对脑电信号进行分离，直接对得到的独立分量提取四种不同频段的能量特征，最后将特征作为支持向量机(supportvectorma-chine，SVM)的输入，对脑力负荷进行分类。由于直接使用脑电独立分量特征，所以分类精度高于通用方法，平均分类精度提高29.14%。还进一步发现脑电独立分量中存在的眼电伪迹对分类结果没有明显影响。提出的方法可以实现快速、准确、自动的脑力负荷分类。
