典型文献
基于多生理信息迁移学习的脑力负荷分类
文献摘要：
在复杂的人机系统中,保持对实验人员脑力负荷状态的监测对于维护人机系统的安全、高效运行具有极为重要的理论和应用意义.针对现有脑力负荷分类方法识别率低及实际应用时测试样本数据偏移问题,提出了采用迁移学习及脑电和心电特征融合的脑力负荷分类识别方法.基于多任务航空情境操作的MATB-II平台同步采集12名健康受试者的脑电信号和心电信号,分别从时域和频域上提取各生理信息特征并进行融合,在此基础上引入迁移学习,基于迁移成分分析(transfer com-ponent analysis,TCA)方法进行特征空间变换,实现源域和目标域的边缘分布适配,并进行脑力负荷分类.实验结果表明,基于多生理信息特征融合识别率高于传统脑力负荷识别方法,使用迁移学习可取得较高的识别准确率,为多生理信息脑力负荷分类研究提供了新方法.
文献关键词：
多生理信息;迁移学习;特征融合;脑力负荷
中图分类号：
作者姓名：
李瑞;柳长安;王彦平;曲洪斌;王玲
作者机构：
北方工业大学信息学院,北京100144;中国石油管道局工程有限公司,廊坊065000
文献出处：
引用格式：
[1]李瑞;柳长安;王彦平;曲洪斌;王玲-.基于多生理信息迁移学习的脑力负荷分类)[J].科学技术与工程,2022(14):5555-5561
A类：
多生理信息,MATB
B类：
信息迁移,迁移学习,脑力负荷,负荷分类,人机系统,实验人员,负荷状态,高效运行,应用意义,分类方法,方法识别,特征融合,分类识别,多任务,空情,II,同步采集,健康受试者,脑电信号,心电信号,频域,信息特征,迁移成分分析,transfer,com,ponent,analysis,TCA,特征空间,空间变换,源域,目标域,边缘分布,融合识别,识别率高,负荷识别,可取,识别准确率,分类研究
AB值：
0.350438
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
