独创性声明
本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得天津大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 学位论文作者签名：签字日期：年月日
学位论文版权使用授权书
本学位论文作者完全了解天津大学有关保留、使用学位论文的规定。特授权天津大学可以将学位论文的全部或部分内容编入有关数据库进行检索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。
（保密的学位论文在解密后适用本授权说明）
学位论文作者签名：导师签名：
签字日期：年月日签字日期：年月日
摘要
近年来，随着信息技术的飞速发展，各类操作任务的智能化、信息化程度不断提升，人在操作作业中所承受的脑力负荷程度不断加大。脑力负荷目前已成为人机系统设计中必须考虑的重要课题，相关信息检测技术的研究引起广泛的兴趣和关注。但是，由于实际作业场景中操作任务类型繁多，各种任务之间的特异性存在较大差距，对脑力负荷检测的强泛化应用提出了较高的挑战。 为进一步探索不同任务下的脑力负荷检测和识别共性技术，本研究设计了基于语言与空间刺激的Verbal n-back与Spatial n-back两种任务。脑力负荷等级设定为4级，分别为0-back、1-back、2-back、3-back，实验中共采集了17名健康被试的32导脑电数据。为了有效提取不同任务与负荷等级中的特征信息，文中分别从频域、时频域及非线性三个方面，尝试了AR模型、事件相关同步/去同步时频图、样本熵、小波多尺度熵等多种特征提取算法。然后采用支持向量机对上述各任务的脑电特征进行模式识别，得到17名被试的脑力负荷等级平均分类正确率。实验结果表明，不同的任务类型及脑力负荷等级间在AR功率谱值及ERD/ERS时频图中均存在明显的差异性，并且在AR功率谱、样本熵、小波多尺度熵及三特征联合参数四种特征模式识别中，AR功率谱与三特征联合参数的平均分类正确率最高，可达98%以上。
在此基础上，为了进一步提高系统性能及分类正确率，本文采用了基于支持向量机的递归特征筛选（
SVM-REF）算法对分类器进行了导联优化，与优化前相比，不仅显著提高了平均分类正确率，而且大大降低了最优导联组合数，从而为实际应用中脑力负荷检测的准确性及便捷性提供了技术保障。
关键词：脑力负荷V erbal n-back Spatial n-back 支持向量机递归特征筛选
ABSTRACT
Nowadays, with the development of technology, working tasks have become more and more intellective. This change brings about much mental workload in operators. Therefore, mental workload is becoming an increasingly important issue in today’s society. Due to the variety of tasks, there exist lots of difficulties for practical applications. One of the difficulties associated with mental workload is the multidimensional nature of the tasks, so it is important to figure out the difference between tasks.
In order to investigate the similar technology of mental workload detection for different tasks, this study designed two kinds of n-back tasks. They were Verbal n-back and Spatial n-back with four varied memory load levels (0, 1, 2, and 3-back) respectively. Electroencephalogy (EEG) signals of 17 healthy volunteers were acquired during the experiment and then analyzed using AR model, event-related desynchronization/event-related synchronization (ERD/ERS), sample entropy and wav
elet multiscale entropy to investigate different characteristics between tasks. In addition, support vector machine (SVM) was utilized to classify four levels of mental workload. The results showed thatthere existed significant differences between AR model and ERD/ERS among different tasks. Additionally, the classification results indicated that the recognition rates of AR features and combined features were the highest which could reached 98%.
Furthermore, in order to improve the performance, recursive feature elimination based on support vector machine (SVM-REF) was adopted. The optimized method not only increased the recognition rates but also decreased the number of channels. These measures were proved to be sensitive indicators of mental workload and could differentiate two tasks in four levels. The research could provide a technical support for the practical application in the detection of mental workload, improving the accuracy and convenience.
KEY WORDS: mental workload , Verbal n-back , Spatial n-back , support vector machine (SVM) , recursive feature elimination base on support vector machine (SVM-REF)
目录
第一章绪论 (1)
1.1脑力负荷的基本概念及研究意义 (1)
1.1.1脑力负荷的基本概念 (1)
1.1.2脑力负荷的研究意义 (1)
1.2脑力负荷的研究方法及国内外研究现状 (2)
1.2.1选择脑力负荷测量方法的标准 (2)
1.2.2脑力负荷测量方法 (3)
1.2.3国内外研究现状及存在的问题 (8)
1.3主要研究内容与章节安排 (9)
1.3.1主要研究内容 (9)
1.3.2章节安排 (10)
第二章脑力负荷诱发EEG实验设计 (12)
2.1脑电信号简介 (12)
2.2N-BACK诱发脑力负荷实验设计 (13)
2.2.1Verbal n-back 实验设计 (14)
2.2.2Spatial n-back 实验设计 (14)
2.3实验平台与脑电采集系统 (15)
2.3.1实验设备 (15)
2.3.2电极的选择 (16)
2.3.3脑电信号的科学记录 (16)
第三章脑电数据预处理与特征提取分析 (20)
3.1脑电信号预处理 (20)
3.2频域特征提取与分析 (22)
3.2.1AR功率谱估计 (23)
3.2.2功率谱分析结果 (24)
3.3时频特征提取与分析 (28)
3.3.1事件相关去同步/同步定义（ERD/ERS） (28)
3.3.2短时傅里叶变换（STFT） (28)
3.3.3ERD/ERS分析结果 (29)
3.4非线性特征提取与分析 (32)
3.4.1样本熵（SampEn） (33)
3.4.2小波多尺度熵（WMSE） (35)
第四章基于支持向量机的分类识别及优化 (38)
4.1支持向量机概述 (38)
4.1.1支持向量机的基本原理 (38)
4.2基于支持向量机的分类结果讨论 (44)
4.2.1Verbal n-back的分类结果 (44)
4.2.2Spatial n-back的分类结果 (45)
4.3基于SVM-RFE的导联优化 (46)
4.3.1递归特征筛选算法基本原理 (47)
4.3.2基于支持向量机的递归特征筛选 (47)
4.3.3导联优化结果 (48)
第五章总结与展望 (52)
5.1工作总结 (52)
5.2工作展望 (53)
参考文献 (54)
发表论文和科研情况说明 (58)
致谢 (60)
