Измерение умственной нагрузки с помощью ЭЭГ и фНИРС

Measuring Mental Workload with EEG+fNIRS
Marc Garbey, Haleh Aghajani, Ahmet Omurtag
2017-07-14

гибридная нейровизуализация EEG-fNIRSбуквенная задача n-backлинейная машина опорных векторовумственная нагрузкарабочая память
Мы исследовали возможность применения гибридной технологии функциональной нейровизуализации для количественной оценки умственной нагрузки человека (MWL). В качестве методов визуализации у семнадцати здоровых испытуемых использовали электроэнцефалографию (ЭЭГ) и функциональную спектроскопию в ближней инфракрасной области (фНИРС) во время выполнения буквенного задания n-back — стандартной экспериментальной парадигмы, связанной с рабочей памятью (WM). Уровень MWL параметрически изменяли путем варьирования n от 0 до 3. Девятнадцать каналов ЭЭГ охватывали всю поверхность головы, а 19 каналов фНИРС располагались на лбу для охвата области мозга, наиболее активно участвующей в работе WM. Усреднение зарегистрированных сигналов по блокам выявило специфические изменения уровня оксигенированного гемоглобина при изменении MWL. Для определения уровня MWL применяли подход на основе машинного обучения. Из сигналов ЭЭГ, фНИРС и ЭЭГ+фНИРС извлекали различные признаки в качестве биомаркеров MWL и подавали их в линейную машину опорных векторов (SVM) в составе обучающей и тестовой выборок. Эти признаки отбирали на основе их чувствительности к изменениям уровня умственной нагрузки согласно данным литературы. Мы ввели новую категорию признаков для систем фНИРС и ЭЭГ+фНИРС. Кроме того, систематически оценивали эффективность каждой категории признаков. Также оценивали влияние количества признаков и размера окна на качество классификации. Классификатор SVM использовали для различения различных сочетаний когнитивных состояний, включая бинарные и многоклассовые состояния. Помимо показателя эффективности классификатора при перекрестной проверке для комплексной оценки системы классификации рассчитывали другие метрики, такие как чувствительность, специфичность и прогностические значения. Гибридная система (ЭЭГ+фНИРС) обеспечивала значительно более высокую точность, чем ЭЭГ или фНИРС по отдельности. Полученные результаты свидетельствуют о том, что признаки ЭЭГ+фНИРС в сочетании с классификатором способны надежно различать различные уровни MWL. Результаты свидетельствуют о том, что ЭЭГ...
1
Гибридная система EEG–fNIRS была оценена для количественной оценки умственной нагрузки у 17 здоровых участников, выполнявших буквенную задачу n-back с уровнями нагрузки от 0 до 3.
2
Классификация с объединёнными EEG–fNIRS достигла статистически значимо большей точности, чем классификация только по EEG или fNIRS, что подтверждает устойчивое различение нескольких уровней умственной нагрузки.
3
Признаки EEG, fNIRS и объединённые признаки EEG–fNIRS использовались с линейным SVM для классификации бинарных и многоклассовых состояний когнитивной нагрузки.
4
Блочное усреднение выявило связанные с нагрузкой изменения уровня оксигенированного гемоглобина, измеренного методом fNIRS, особенно в области лба, связанной с рабочей памятью.
5
Авторы представили новую категорию признаков для систем fNIRS и объединённых EEG–fNIRS и систематически оценили влияние категорий признаков, их количества и размера окна.

Ментальная нагрузка человека при выполнении буквенной задачи n-back на рабочую память

Биомаркеры на основе EEG, fNIRS и их комбинации, а также эффективность классификации для различения разных уровней ментальной нагрузки

Publication Details
Publication Date
2017-07-14
Journal
Publisher
ISSN
Cited by
237
Access Type
Author Information
Authors
Marc Garbey
Haleh Aghajani
Ahmet Omurtag
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%