腦力負荷個性化腦電響應特征規(guī)律及識別研究

楚洪祚， 焦學軍， 姜 勁， 曹 勇， 楊捷鴻， 黃夢盈， 王立志， 李修乾

(1.航天工程大學， 北京 101416； 2.中國航天員科研訓練中心， 北京 100094)

1 引言

隨著科技的發(fā)展，人在系統(tǒng)中的職能發(fā)生改變，由以往的主要作業(yè)角色向監(jiān)督決策角色轉變。這一改變降低了人類在工作中的體力負荷，但加重了腦力負荷。 在軍事、航空、航天、駕駛等高安全性要求的人機系統(tǒng)中，由于腦力負荷過高導致的信息獲取和判斷決策錯誤等人因失誤是導致事故發(fā)生的重要原因之一[1-2]。 已有研究表明，60%～90%的航空飛行事故發(fā)生在腦力負荷高、應激水平高的飛機起飛、著陸或手動操控階段，并且多是由人誤導致[3-4]。 平衡系統(tǒng)中人的腦力負荷與體力負荷是保證系統(tǒng)安全穩(wěn)定運行的重要舉措。 腦力負荷精準測量是人機交互系統(tǒng)更加合理的基礎，準確地描述腦力負荷具有重要意義。 因此，實現(xiàn)對腦力負荷的準確測量和精準分類，如在設計階段通過改進設計，避免超負荷現(xiàn)象的發(fā)生，在使用階段采取有效措施，維持適宜的腦力負荷水平，是有效避免人誤、提高人機系統(tǒng)可靠性的必然需求。

目前研究腦力負荷主要的方法是使用不同難度級別的誘發(fā)任務引起不同程度的腦力負荷[5-7]。 在實驗設計中通常會使用固定難度級別的任務，而忽略了個體的差異性。 這樣會導致部分受試者被誘發(fā)出的負荷狀態(tài)不滿足實驗的設計目的。 Pergher 等[8]的研究中使用固定難度等級的序列(0-Back， 1-Back， 2-Back， 3-Back)來研究青年和老年人在N-Back 任務執(zhí)行時的心理負荷，在高難度級別任務時青年人的表現(xiàn)正常，但老年人的表現(xiàn)出現(xiàn)了異常，經過分析很有可能是由于任務難度過高導致老年人任務中斷，這會嚴重干擾對結果的分析。

近幾年腦電圖技術在腦神經科學中廣泛應用[9-11]。 為了探索腦電圖與腦力負荷的關系，Islam 等[12]通過真實駕駛實驗獲得的腦電圖與車輛信號融合，構建一種新的基于互信息的特征集，并應用于評估駕駛員的心理負荷，提供了一種可行的駕駛員腦力負荷測量方案。 Dehais 等[13]使用6 個干電極，在實際的飛行任務中加入聽覺Oddball 范式，提取了腦電信號中的ERP 和頻譜功率特征實現(xiàn)了對飛行員的腦力負荷監(jiān)測。Chakladar 等[14]使用Grey Wolf Optimizer 對統(tǒng)計特征(均值、標準差、偏度和峰度)、不同頻帶的PSD、自回歸系數(shù)以及近似熵等特征進行篩選，并對比了BLSTM、SVM 和隨機森林模型的分類效果。 Liu 等[15]采集13 名受試者MATB 任務期間的腦電圖信號，使用獨立分量分析法(ICA)獲得多個成分(ICs)，然后提取ICs 的能量作為特征用于腦力負荷的分類，與直接使用不同頻帶的PSD特征相比分類正確率得到了較明顯提升。 迄今為止，對腦電負荷分類的研究大多依賴于來自單個信道或源的特征，可以分為時域特征、頻域特征以及非線性特征等3 類。 本研究采用這3 類特征來構建分類模型預估受試者的腦力負荷狀態(tài)。

對于特征的提取，研究者們傾向于盡可能使用較少的特征來完成模型的構建。 Caywood等[16]設計了一個受試者在3 種刺激變量下完成N-Back 任務的實驗，分別是聽覺-語言、視覺-空間和視覺-數(shù)字，每一種都有3 種工作記憶負荷。 他認為一小部分腦電圖特征足夠得到令人滿意的模型預測能力，他的研究中僅使用前25%的特性的效果幾乎和使用100%的特性分類正確率一樣好[16]。 但在我們的研究中，使用更多維度的特征，能夠增加模型的魯棒性，使模型在面對不同受試者時擁有較好的穩(wěn)定性。

本文針對不同受試者對任務接受程度不同，設定適合受試者的任務難度，以確保每名受試者都被誘發(fā)出級別可分的腦力負荷狀態(tài)； 研究不同類型特征的模型正確率表現(xiàn)以及融合更多類型的特征的模型對分類正確率的影響。

2 實驗

2.1 受試者

16 名健康的在校大學生作為受試者，其中14名男性，2 名女性，平均年齡為(19.7±0.65)歲，均是右利手。 正式實驗前，受試者需經過多次訓練，確保每一名受試者對實驗任務都足夠了解，且績效相對穩(wěn)定，并要避免訓練效應。

2.2 實驗設計

N-Back 實驗是腦力負荷誘發(fā)實驗中最常見的實驗范式，大多數(shù)研究中[8，15-16]，在實驗前規(guī)定好不同難度級別對應的N，對所有被試使用相同的難度等級設置。 這樣不利于針對不同個體誘發(fā)出合理的負荷等級。 例如，確定3 個負荷等級對應0-Back、1-Back、3-Back，對部分受試者來說，0-Back 與1-Back 的區(qū)別并不大，無法誘發(fā)出可區(qū)分的負荷等級。 并且存在一些從績效數(shù)據(jù)上難以分辨的情況，例如，部分受試者難以完成3-Back實驗，所以會出現(xiàn)懈怠情緒，選擇放棄實驗，在績效上會呈現(xiàn)出與0-Back、1-Back 較大的差異，但此時受試者的腦力負荷實際上并不高，因為此時受試者實際上已經處于放棄任務的情況。 為避免這種超負荷的情況出現(xiàn)，要求我們在進行實驗設計時充分考慮到受試者的個體差異，針對每名受試者的任務接受情況來安排負荷等級和實驗難度。

本實驗設計大致如下:使用N-Back 實驗作為本研究的誘發(fā)范式，N-Back 實驗要求操作者比較當前字符與N 個之前出現(xiàn)的字符進行比較，若相同則為目標字符，反之為非目標字符。 字符NBack 任務則是在屏幕上顯示500 ms 的大寫字母來達到刺激的目的。 在刺激結束后，屏幕顯示2 s的“+”，用來使受試者恢復平靜并對當前刺激做出響應。 目標字符與非目標字符出現(xiàn)的比例設置為1 ∶1，當目標字符出現(xiàn)時，敲擊鍵盤左鍵，否則敲擊鍵盤右鍵。 在執(zhí)行字符N-Back 任務期間，要求志愿者盡量保持靜止，避免運動偽跡，志愿者通過耳機或屏幕上的刺激，使用左右方向鍵來響應是否為目標字母。

每次實驗包含2 個任務塊，每個任務塊中包含順序隨機的3 個難度等級的N-Back 任務，如:(3，1，5-Back)。 每種任務難度的N-Back 任務流程如圖1(a)所示，開始時需要靜息1 min，然后連續(xù)出現(xiàn)72 個刺激字母(如圖中所示字母G、B)，完成后休息2 min，因此單次任務用時360 s。 任務塊中不同難度的任務隨機出現(xiàn)，避免固定的難度順序給操作者帶來額外的心理暗示。 為了避免高負荷任務使操作人員疲勞，任務塊之間需要休息2 min。 整個實驗用時40 min，圖1(b)展示了整個實驗的流程。 實驗還記錄了響應的正確個數(shù)、正確反應時間和平均反應時間。

圖1 實驗流程Fig.1 Flow chart of experiment

在受試者足夠熟悉N-Back 實驗后，實驗的前一天，每一位受試者測試能夠保證正確率在85%以上的極限難度等級，如表1 所示，由于個體的差異性，每個人對N-Back 范式的接受程度不一致，在進行多次測量后，得到了每個人在保證正確率前提下能夠完成的最大Back 數(shù)，根據(jù)此數(shù)據(jù)對每名志愿者設置合適的負荷等級，進行控制誘發(fā)的等級設置。

表1 實驗難度等級設置表Table 1 Setting of experiment difficulty levels

2.3 數(shù)據(jù)采集

實驗使用 32 導 EEG 設備( BrainAmp Standard，BRAIN PRODUCTS)采集受試者的腦電信號，設備采樣率設置為1000 Hz，32 個導聯(lián)的位置遵循國際10-20 系統(tǒng)放置，使用Cz 導聯(lián)作為參考電極。 使用Brain Products GmbH 軟件實時記錄信號。

在每次完成一個Back 實驗后，受試者需要填寫腦力負荷主觀量表。 該量表要求受試者評估此次實驗過程中的腦力負荷狀態(tài)，打分從0 分到10分，0 分代表無腦力負荷，10 分代表腦力負荷極大。

3 方法

3.1 數(shù)據(jù)預處理

預處理采用MATLAB2020a 開源工具包EEGLAB 完成，主要包含以下步驟:首先使用所有通道EEG 信號幅值的平均值對信號進行重參考；接著使用0.5～45 Hz 的巴特沃斯帶通濾波器去除直流成分和高頻成分的干擾；接著將信號降采樣至200 Hz，以降低數(shù)據(jù)大??；隨后使用獨立成分分析(Independent Component Analysis， ICA)算法手動去除了眼動、肌電、通道噪聲等干擾。 最后以刺激開始時刻為標志，截取刺激出現(xiàn)前1 s 到刺激出現(xiàn)后的2 s 數(shù)據(jù)作為一個片段(總長度3 s)。每名受試者經過處理后得到了432 個樣本，其中低中高每個難度級別的樣本量相同。 數(shù)據(jù)處理過程中發(fā)現(xiàn)3 名志愿者的運動偽跡干擾嚴重，排除后得到13 名受試者有效數(shù)據(jù)。

3.2 特征提取

本文提取的與腦力負荷密切相關的特征主要包含時域特征、頻域特征以及非線性特征。 均值、標準差、信號偏度、有效值、峰值、峰值因子、峭度、波形因子、脈沖因子以及裕度因子等為時域特征。不同頻帶(δ、θ、α、β1、β2、γ)的功率譜密度(Power Spectral Density，PSD)和不同半球的功率差為頻域特征。 另外選擇近似熵、樣本熵、模糊熵作為非線性特征。

3.2.1 時域特征

從時域的角度對信號進行統(tǒng)計學分析，計算EEG 信號中每個通道的若干特征值，來區(qū)分不同負荷等級的腦力負荷響應。

均值:對截取出來的每一個片段，計算每個通道的平均電壓值。

標準差:反映信號的離散程度，對截取出來的每一個片段，計算每個通道的電壓幅值標準差。

峰值:對每個樣本的每個通道計算其峰值電壓，這是信號最常見的度量之一。

有效值:有效值代表了信號的能量。

均方誤差:可以評價數(shù)據(jù)變化的離散程度。

偏度:偏度是對信號分布偏斜方向和程度的度量，反映了信號的非對稱程度。 右偏分布的偏度大于0，左偏分布的偏度小于0，當偏度為0 時，信號服從正態(tài)分布。 計算公式如式(1)，其中μ代表均值，δ代表方差。

峰值因子:信號峰值與有效值的比值，可以用來檢測信號是否存在沖擊的統(tǒng)計指標。

脈沖因子:信號峰值與平均值的比值，同樣被用來檢測信號是否存在沖擊。

裕度因子:信號峰值與方根幅值的比值。

波形因子:有效值與整流平均值的比值，在電子領域使用較多。

峭度:用來表示波形的平緩程度。 正態(tài)分布的峭度等于3，峭度小于3 時分布的曲線會較平緩，大于3 時分布的曲線較陡峭。

3.2.2 頻域特征

使用快速傅立葉變換 ( Fast Fourier Transform， FFT) 計算每個樣本各通道的功率譜密度(PSD)，得到頻段δ(0.5～3 Hz)、θ(3～8 Hz)、α(8～13 Hz)、β1(13～20 Hz)、β2(20～30 Hz)、γ(30～45 Hz)的能量。 隨后，選取左右腦和前后腦的10 個通道對(F8-F7、FC2-FC1、T8-T7、C4-C3、CP2-CP1、P4-P3、Fz-O1、Fz-Pz、F4-P4、F3-P3)，計算各通道對在δ、θ、α、β1、β2、γ 能量差作為新的特征。

3.2.2 非線性特征

本文計算了3 種常用的非線性特征，近似熵、樣本熵和模糊熵。 這3 種熵是探究腦電規(guī)律性和相似性的重要非線性指標[17]。

近似熵:近似熵是被用來量化時間序列不規(guī)則性和復雜性的一種度量方法，通過以條件概率的方式來衡量時間序列中新信息發(fā)生的可能性，因此時間序列越復雜近似熵越大。 設有長度為N的時間序列X(1)，X(2)，…，X(N) ，提前規(guī)定表示相似度閾值r以及劃分子序列長度的m。 通過將原序列切割成長度為m的(N-m+ 1) 個子序列，表示為U(1)，U(2)，…，U(N-m+ 1) ，其中U(i)＝[X(i)，X(i+ 1)，…，X(i+m- 1)] 。 接著計算任意兩個X(i)，X(j) 的距離Dm，Dm定義為兩個向量中對應位置元素的最大差值。 然后使用式(2)求出滿足條件的向量個數(shù)和總數(shù)之比。

另外，定義子序列長度為m時的平均相似率Φm(r) 為式(3):

最終定義近似熵為式(4):

樣本熵:樣本熵同樣被用來衡量時間序列的復雜度，設有長度為N的時間序列X(1)，X(2)，…，X(N) ，計算任意兩個X(i)，X(j) 的距離Dm，Dm定義為兩個向量中對應位置元素的最大差值使用式(5)求出滿足條件的向量個數(shù)和總數(shù)之比。

同樣的求序列的近似相似率:

最終定義樣本熵SampEn為:

模糊熵:模糊熵的特點是參數(shù)的改變對復雜性的度量結果影響很小，這有利于EEG 信號的分析。 設有長度為N的時間序列X(1)，X(2)，…，X(N) ，提前規(guī)定表示相似度閾值r 以及劃分子序列長度的m。 通過將原序列切割成長度為m的(N-m+ 1) 個子序列，表示為U(1)，U(2)，…，U(N-m+ 1) ，其中U(i)＝[X(i)，X(i+ 1)，…，X(i+m- 1)] -X0(i) 。

接著計算任意兩個X(i)，X(j) 的距離，Dm定義為兩個向量中對應位置元素的最大差值。

針對每個i計算平均值:

另外定義

最終模糊熵定義為:

3.3 分類方法

本研究主要考慮低、中、高3 個等級腦力負荷分類問題。 使用支持向量機(support vector machine，SVM)、決策樹、隨機森林進行對比研究。這些分類器的性能可以通過正確率度量，計算公式如式(12)所示:

其中TP為真陽性數(shù)，TN為真陰性數(shù)，F(xiàn)P為假陽性數(shù)，F(xiàn)N為假陰性數(shù)。

對不同的分類器選擇了網格搜索法，以獲得最佳模型參數(shù)。 徑向基函數(shù)(RBF)被用作SVM的核函數(shù)，有2 個重要參數(shù)懲罰系數(shù)C和誤差容忍度，搜索空間為[0.0001， 0.001， 0.01， 0.1，1， 10， 20， 30]。 參數(shù)Gamma 代表支持向量的數(shù)量，搜索空間為[0.1， 0.2， 0.25， 0.4， 0.8， 1.6，3.2， 6.4] 。 DT 算法有3 個參數(shù)需要調整:特征選取方法、最大深度和分割內部節(jié)點所需的最小樣本數(shù)。 “Entropy”和“gini”，被嘗試作為參數(shù)“特征選取方法”的搜索空間。 參數(shù)“最大深度”和參數(shù)“分割內部節(jié)點所需的最小樣本數(shù)”的搜索空間分別為[10， 30， 60， 100]和[2， 5， 10，15]。 RF 是一個具有良好泛化能力的集合分類模型。 有研究表明[6，18]，隨機森林在心理工作負荷分類中表現(xiàn)良好。 該分類器主要搜索參數(shù)“隨機森林跨度樹的數(shù)量”，調整空間為[100，200，500]。 此外，為了保證分類結果的可靠性，通過隨機選擇樣本，生成模型的訓練集和測試集，訓練集和測試集比例設置為8 ∶2 。 為避免模型過擬合，使用5 折交叉驗證來評估模型的有效性。

為驗證不同類型特征的識別效果，模型的數(shù)據(jù)集有以下4 個類型:

1)時域特征(Time-domain-only)。 僅使用提取出來的320 個時域特征作為數(shù)據(jù)集進行分類。

2)頻域特征(Freq-domain-only)。 僅使用頻域特征作為數(shù)據(jù)集進行分類，特征包括每個通道的6 個頻帶能量和左右腦和前后腦十個通道對的能量差，共計252 個特征。

3)非線性特征(Non-linear-only)。 僅使用非線性特征作為數(shù)據(jù)集進行分類，特征包括近似熵、樣本熵、模糊熵，共計96 個特征。

4)所有特征(All-domain)。 使用所有668 個特征進行分類。

3.4 驗證標準及分析

統(tǒng)計分析任務難度對受試者的績效、主觀量表、生理響應的影響，利用配對t檢驗分別以績效和主觀量表為對象，分析任務是否成功誘發(fā)了受試者的不同負荷水平。 然后以不同負荷水平(低、中、高)、不同通道和不同頻帶為研究對象，對提取的特征進行重復測量方差分析。P<0.05認為差異具有統(tǒng)計學意義。

4 結果

4.1 行為學數(shù)據(jù)和主觀量表

以工作負荷水平為因素，對16 名志愿者的反應正確率、反應時間、正確反應時間以及量表數(shù)據(jù)進行單因素方差分析(ANOVA)，結果如表2所示。

表2 不同工作負荷等級下行為學數(shù)據(jù)統(tǒng)計(n＝16)Table 2 Behavioral data statistics for different workload levels(n＝16)

表2 顯示，隨著負荷等級的提升，準確率下降，反應時上升，志愿者的量表打分上升。 具體來說，不同任務的正確率(F(2，201)＝79.92，P<0.001)，反應時(F(2，201)＝26.72，P<0.001)，正確反應時(F(2，201)＝119.71，P<0.001) 均有顯著差異。 使用Bonferroni 校正后事后多重比較分析發(fā)現(xiàn)，3 個等級的準確性、反應時、正確反應時、量表數(shù)據(jù)均有顯著差異(P<0.05)。

從受試者填寫的負荷需求主觀量表可以看出，3 個負荷等級之間的主觀感受差異很大，低負荷平均打分2.42，中負荷平均打分3.78，高負荷平均打分5.93。 各等級的負荷打分比較集中，標準差在1.02 至1.6 之間，可以認為所有受試者都被針對性的誘發(fā)出了3 個級別的腦力負荷狀態(tài)。

上述結果表明本文實驗設計成功的誘發(fā)了所有受試者不同程度的腦力負荷。 與統(tǒng)一使用相同的難度等級設置相比，本研究的設計從任務本身避免了負荷不可分的情況。

4.2 腦電信號結果

在低負荷和高負荷之間，對所有樣本的時域特征進行統(tǒng)計分析，如圖2 所示，13 名受試者中7名以上受試者前額葉區(qū)域的標準差、峰值、峰度因子、脈沖因子和裕度因子特征敏感。 其中，不同的任務負載在大腦左半球區(qū)域引起了峰值的顯著差異，峰值因子和脈沖因子在前額葉、中央區(qū)、枕葉)區(qū)域有顯著的差異(P<0.05)。

圖2 時域特征顯著差異統(tǒng)計圖Fig.2 Statistics of significant differences in time domain characteristics

圖3 展示了由不同負荷引起的θ、α、β1、β2、γ等6 個波段絕對功率腦地形分布。 可以看出，隨著負荷的增加，前額葉、中央區(qū)以及枕葉位置的θ、α 波段能量出現(xiàn)降低，這與Wang 等[19]的研究相符。 另外，低β 波段的能量在前額葉、中央區(qū)、頂葉等區(qū)域出現(xiàn)下降而在枕葉增高。 這說明隨著腦力負荷的升高，受試者的活躍腦區(qū)發(fā)生了改變，并且部分波段的能量出現(xiàn)規(guī)律性的變化。 進一步分析變化的顯著程度發(fā)現(xiàn)，大部分受試者在θ、α、β 波段具有顯著性(P<0.05)。

圖3 6 個波段在不同負荷情況下的功率譜能量(所有受試者的平均)Fig.3 Power spectrum energy of 6 bands under different loads (average of all subjects)

圖4 展示了左右腦和前后腦10 個通道對的能量差的統(tǒng)計結果，可以發(fā)現(xiàn)γ、β 波段下前后腦的能量差在幾乎所有受試者中都具有良好的區(qū)分性。 可以預見的是不同腦區(qū)的能量差會是解讀腦力負荷大腦響應的有效途徑。

圖4 腦區(qū)能量差顯著性統(tǒng)計Fig.4 Statistics of significant energy differences in brain regions

本文不同負荷等級下，近似熵與模糊熵的差別并不突出，多數(shù)通道無明顯規(guī)律，這可能是由于個體的差異性導致的。 樣本熵的結果相對較好，熵值在右半球C4，CP2，CP5，CP6，F(xiàn)P2，F(xiàn)4，P4，Pz，TP9 等通道出現(xiàn)逐級下降，如圖5 所示。

圖5 不同負荷等級下樣本熵大小Fig.5 Sample entropy under different load levels

4.3 分類結果

經過數(shù)據(jù)預處理后，每個受試者在3 個難度級別的腦電響應中得到432 個樣本。 定義僅使用時域特征的數(shù)據(jù)集為Time Domain 數(shù)據(jù)集，維度為432 個樣本×320 個特征；定義僅使用非線性特征的數(shù)據(jù)集為Non-Liner 數(shù)據(jù)集，維度為432 個樣本×96 個特征；定義僅使用頻域特征的數(shù)據(jù)集為Freq Domain 數(shù)據(jù)集，維度為432 個樣本×252 個特征；定義使用所有特征的數(shù)據(jù)集為All Feature數(shù)據(jù)集，維度為432 個樣本×668 個特征。

本文分別使用了SVM 模型、隨機森林模型、決策樹模型，對上述分析的特征進行建模，分類結果如表3 所示。

表3 分類結果Table 3 Classification results

從表中信息可以看出，隨機森林模型下各數(shù)據(jù)集的表現(xiàn)均優(yōu)于其他模型。 在EEG 特征中，使用頻域特征建模的效果最好，僅使用頻域特征，最高可以達到95.3%的正確率，平均正確率達到85.5%。 僅使用時域特征，正確率保持在70%左右，與頻域特征相比差距較大。 使用非線性特征正確率達到了77%左右，這說明非線性特征與頻域特征都優(yōu)于時域特征，且頻域特征最能夠代表大腦中所包含的信息。 對比使用融合特征建模后的結果發(fā)現(xiàn)，融合時域、頻域特征對模型的結果提升并不明顯。

在使用所有特征的情況下，隨機森林模型能夠達到87.3%的平均正確率，相比之下，盡管融合全部特征對平均正確率的提升并不明顯，但融合后每名受試者正確率的差異縮小了，即提高了模型的魯棒性，模型能夠在不同的受試者間都能得到較好的分類正確率，這在實際的運用中尤為重要。

5 討論

本文充分考慮了受試者由于個體差異帶來的對任務難度接受程度不同的影響，通過測試出受試者能夠接受的最大任務難度來制定受試者所參與的3 個任務難度級別。 從實驗設計上很好的區(qū)分了3 種不同的任務負載情況，這對于精神任務工作量辨別方面至關重要。 另外，使用更多類型的特征有效提高了模型的穩(wěn)定性。 在識別正確率方面達到了令人滿意的水平。

具體來說，得益于個性化的任務難度設置。行為學數(shù)據(jù)的統(tǒng)計分析結果令人滿意，隨著工作負載的上升，準確率出現(xiàn)顯著下降(F(2，201)＝79.92，P<0.001)，反應時也呈現(xiàn)與預期一致的顯著下降(F(2，201)＝26.72，P<0.001)。 這說明針對性的任務設計能夠提高不同負荷等級帶來的主觀差異，避免了由于任務難度不可分和任務難度過高而帶來受試者負荷狀況不可控的異常情況。

同時，不同的任務負載在大腦左半球區(qū)域引起了峰值的顯著響應。 這可能是由于事件相關電位(Event-Related Potential， ERP)引起的。 在一些沒有明顯刺激事件的任務中，時域特征可能不會有太好的效果。 此外，隨著負荷的提高，低β波段的能量在前額葉、中央區(qū)、頂葉等區(qū)域出現(xiàn)下降而在枕葉增高。 前額葉、中央區(qū)以及枕葉位置的α波段能量出現(xiàn)降低。 這與之前的研究一致[20-22]。

分別使用不同類型特征進行建模，時域特征的效果是最差的，可能是由于未使用ERP 特征，且使用的模型不能自動挖掘更深層次的特征關系。 未來，應使用深度學習網絡，挖掘出特征之間的隱藏聯(lián)系。 頻域特征的表現(xiàn)與前人研究一致[7，23]，僅使用頻域特征在隨機森林模型上得到了(85.5±5.6)%的正確率。 在使用全部特征的情況下，在隨機森林模型上得到了(87.3±4.4)%的正確率。 可以看出，在普遍提高分類正確率的基礎上，使用更多維度的特征能夠使模型更加穩(wěn)定，即面對不同的受試者表現(xiàn)出的性能更加穩(wěn)定。

6 結論

1)本文充分考慮了不同受試者對腦力負荷承受能力的不同，設置了個性化的任務參數(shù)，成功誘發(fā)了受試者等級可分的腦力負荷狀態(tài)。

2)分析了在3 種負荷水平下N-Back 任務的生理響應，發(fā)現(xiàn)前額葉、中央區(qū)以及枕葉區(qū)域的大腦活動受任務影響較大。

3)對比僅時域特征、僅頻域特征、僅非線性特征以及全部類型特征同時使用情況下的負荷分類情況，結果顯示，使用全部類型特征不僅能夠達到平均89.4%的較高正確率，而且提高了模型的魯棒性。