模拟飞行任务中的脑力负荷监测∶基于多模态生理信号的融合研究

在飞行等高风险、高复杂度任务场景中,准确监测脑力负荷已成为提升工作效率和保障安全的关键。然而,现有的脑力负荷评估方法多依赖单一模态信号,这些方法在跨个体和跨天等情境下的泛化性能较差。因此,提出一种基于多模态生理信号融合的脑力负荷评估方法:采用COG-BCI数据集,选取其中多属性任务组(MATB⁃Ⅱ)的脑电和心电生理信号数据,提取脑电功率谱密度在内的多类关键特征,通过均方差系数、最大互信息系数及单因素方差分析对特征进行筛选和融合,构建基于随机森林与极限梯度提升算法的模型。结果表明:所提融合特征和方法有效提升了模型性能,在当日脑力负荷识别中平均准确率达到93.8%,在跨天场景中平均识别精度达到86.1%。采用多模态生理信号融合方法,有效提升了跨个体和跨天场景下的脑力负荷评估准确率。

资料为PDF文档格式.

本文档关键词:脑力,负荷,生理,融合,信号