基于脑电信号与集成分类器的心理负荷评估

关键词：脑力负荷 脑电信号 超限学习机 支持向量机 

摘要：为了精确评估个体心理负荷状态,需要获取目标脑电信号数据,脑电信号是评估脑力负荷变化的重要指标。机器学习和神经网络越来越多地用于脑力负荷分类。利用脑电信号特征可在时域和频域中提取突出信息。因此提出一个结合支持向量机(SVM)与超限学习机(ELM)的混合型脑力负荷分类框架。其中支持向量机作为成员分类器,可在高维EEG特征中查找隐藏信息;超限学习机用于融合成员分类器的输出。将ELM-SVM模型与经典脑力负荷分类器进行比较,得出该模型训练精度准确率为1,且测试精度提升0.1个百分点。

软件导刊杂志要求:

{1}作者简介：文尾附注第一作者简介，含姓名（出生年月）、性别、民族、籍贯、学历学位、单位、职务、职称、研究方向等，并注明准确通讯地址、邮政编码、电话号码、E-mail地址。

{2}本刊只接受word版电子文本。文稿须包括题目、提要、关键词、正文及作者简介。

{3}题目中除公知公用的缩略语外，尽量不用外文缩略语。

{4}参考文献列出的一般应限于作者直接阅读过的、最主要的、发表在正式出版物上的文献。

{5}关键词应有3～5个。词与词之间用分号分隔。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社