.png){kind=icon}
返回
EnSa-EAE: A New EEG-Based Framework for Human Cognitive Workload Recognition
.png){kind=icon}
PRE
AI
DOI：10.1080/10447318.2026.2625965.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
认知负荷（CW）识别在实时和动态决策环境中至关重要。脑电图（EEG）为CW识别提供了一种经济有效、灵活且高分辨率的方法。已有各种研究开发的方法面临着预测精度较低的问题，同时也导致估计误差。因此，提出了一种鲁棒的深度学习（DL）模型用于CW估计。首先，对EEG负荷数据集中的EEG信号进行预处理，然后利用残差扩张双向长短时记忆网络提取三阶谱累积量特征，以获得高层特征表示。随后，使用注意力机制融合时域和频域特征，并采用增强型堆叠自编码器结合空间注意力机制进行CW识别。所提出的方法在无任务实验中达到了95.1%的准确率，在同时容量基础上的多任务活动中达到了95.5%的准确率。实验结果表明，所提出的方法在CW预测中具有有效性。该模型有潜力在约束环境中提升决策能力和表现。
Keyword:
Cognitive workload
deep learning
enhanced stack autoencoder
Bi-LSTM
temporal convolutional autoencoder
期刊
I
IF:
4.9
论文数:
4.5K
被引数:
1.2W
机构
引用论文
A Neuroergonomics Approach to Mental Workload, Engagement and Human Performance一种神经工效学方法，用于心理工作量，参与度和人类绩效
OAAI
OAAI分享收藏Cognitive workload level estimation based on eye tracking: A machine learning approach基于眼动追踪的认知负荷水平估计：一种机器学习方法
PREAI
分享收藏Multimodal Assessment of Cognitive Workload Using Neural, Subjective and Behavioural Measures in Smart Factory Settings.png)
SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏Assessing Distinct Cognitive Workload Levels Associated with Unambiguous and Ambiguous Pronoun Resolutions in Human–Machine Interactions评估与人类-机器交互中明确和不明确代词消解相关的不同认知负荷水平
OAAI
OAAI分享收藏
查看更多内容