R-LMD+BAO+OEL：一种高精度 EEG 认知负荷检测方法的研究
2026-04-13 来源:本站 点击次数:196
R-LMD+BAO+OEL：一种高精度 EEG 认知负荷检测方法
引言/背景
人们在执行心算、多任务并行等认知活动时会产生不同程度的心理负荷，精准监测这种认知负荷有助于评估脑力状态、预防认知疲劳与失误。EEG 能直接捕捉大脑神经电活动，是实时检测认知负荷的理想手段，但传统方法在信号分解、特征筛选与分类精度上仍有提升空间，且多侧重整体分析，缺少对不同脑区导联的精细化对比。为实现高准确率、导联级的认知负荷检测，本研究采用脑电技术结合信号处理与集成学习方法，在 MAT 心算任务与 STEW 同步任务两类公开数据集上展开验证。通过优化信号分解、特征选择与分类模型，同时对比全导联与单导联表现，旨在建立一套稳定高效的认知负荷检测框架，明确关键响应脑区，为实时脑机交互与认知状态监测提供技术支撑。
论文概要
近日，相关研究团队采用脑电技术与机器学习算法，系统构建了基于 EEG 导联特征优化的认知负荷检测方法。研究成果发表于《Scientific Reports》，题为“Cognitive load detection through EEG lead wise feature optimization and ensemble classification”。研究通过收集MAT 心算任务与 STEW 同步任务两类公开数据集的脑电信号，采用 R LMD 分解、BAO 二进制特征选择与优化集成学习（OEL）分类，比较了全导联与单导联在认知负荷识别中的准确率、灵敏度与特异度差异。结果显示，所提 R LMD+BAO+OEL 框架表现最优：在 MAT 数据集上准确率达97.4%，STEW 数据集达96.1%；且前额叶 F3 导联在单导联检测中表现突出，分别达到 94.5% 与 94%。此外，该方法在分解效果、特征筛选效率与分类鲁棒性上均优于现有 DWT、SWT、EMD 等技术。
本研究使用MAT 与 STEW 两个公开 EEG 数据集开展认知负荷检测，分别包含 36 名心算任务被试与 48 名同步任务被试，均采用国际 10-20 系统布设电极。研究采用导联级与整体特征并行分析范式，先将 EEG 信号切分为 4 秒片段，再通过滤波与伪迹重建完成预处理：
MAT 数据集使用 0.5 Hz 高通、45 Hz 低通及 50 Hz 工频陷波滤波；STEW 数据集使用 1 Hz 高通滤波、伪迹子空间重构与平均重参考。
信号处理核心采用鲁棒局部均值分解（R-LMD），将各通道 EEG 自适应分解为 5 个模态分量，提取时域（偏度、峰度）、频域（功率谱密度）及多类熵（模糊熵、Renyi 熵、差分熵）构成多域特征。随后通过二进制算术优化算法（BAO） 结合莱维飞行与转换函数完成最优特征筛选，以分类误差率与特征降维率构建适应度函数。分类阶段使用 6 种优化机器学习模型（树、判别式、朴素贝叶斯、KNN、SVM、优化集成学习 OEL），采用 10 折交叉验证评估性能，重点统计准确率（AC）、灵敏度（SE）与特异度（SP）。
研究结果
1.整体分类精度
优化集成学习（OEL）在两套数据集均达最优：MAT 数据集97.4%、STEW 数据集96.1%。混淆矩阵判别清晰、ROC 曲线接近理想状态。
2.关键导联检测效果
前额叶F3 导联为最佳单通道，准确率分别达94.5%（MAT）、94%（STEW），结果见表1、表 2。
3.特征选择收敛性
图 3表明 BAO 算法快速收敛，可高效筛选最优特征子集，能显著提升分类效率。
4.脑区激活差异
图4拓扑图显示，认知任务态下前额叶 F3/F4/F7激活显著强于静息态，是认知负荷核心响应脑区。
5.方法优越性
表 3对比证实，R-LMD+BAO+OEL整体性能超过 DWT、SWT、EMD、VMD 等现有方法。
结论与讨论
本研究通过系统优化EEG信号分解、特征选择与集成分类方法，确立了R-LMD+BAO+OEL框架在认知负荷检测中的核心优势。研究发现，该框架在MAT和STEW数据集上分别实现97.4%和96.1%的整体分类准确率，前额叶F3导联作为核心响应脑区，单导联检测准确率亦达94.5%和94%，显著优于传统EEG分析方法。
研究不仅验证了导联级特征分析结合优化机器学习在认知负荷检测中的可行性，更构建了一套从多域特征提取到高精度分类的完整EEG信号处理方法论。随着脑机交互与实时认知监测需求的提升，该研究为认知负荷检测从整体分析向精细化脑区定位的转变奠定了坚实基础，推动脑电技术在人机工程、临床神经监测等领域的实际应用迈向精准化新阶段。
原文信息链接
Yedukondalu J, Sunkara K, Radhika V, et al. Cognitive load detection through EEG lead wise feature optimization and ensemble classification[J]. Scientific Reports, 2025, 15(1): 842.
DOI：10.1038/s41598-024-84429-6
研究团队
该研究由印度多所高校电子工程、计算机科学与数据科学领域学者跨校合作完成，Kalyani Sunkara为通讯作者，核心作者包括 Jammisetty Yedukondalu、Vankayalapati Radhika、Sivakrishna Kondaveeti 等，分别来自 QIS 工程技术学院、VIT-AP 大学、VNR Vignana Jyothi 工程技术学院等印度院校。
关于维拓启创
维拓启创（北京）信息技术有限公司成立于2006年，是一家专注于脑科学、康复工程、人因工程、心理学、体育科学等领域的科研解决方案供应商。公司与国内外多所大学、研究机构、企业长期保持合作关系，致力于将优质的产品、先进的技术和服务带给各个领域的科研工作者，为用户提供有竞争力的方案和服务，协助用户的科研工作，持续提升使用体验。
相关产品
引言/背景
人们在执行心算、多任务并行等认知活动时会产生不同程度的心理负荷，精准监测这种认知负荷有助于评估脑力状态、预防认知疲劳与失误。EEG 能直接捕捉大脑神经电活动，是实时检测认知负荷的理想手段，但传统方法在信号分解、特征筛选与分类精度上仍有提升空间，且多侧重整体分析，缺少对不同脑区导联的精细化对比。为实现高准确率、导联级的认知负荷检测，本研究采用脑电技术结合信号处理与集成学习方法，在 MAT 心算任务与 STEW 同步任务两类公开数据集上展开验证。通过优化信号分解、特征选择与分类模型，同时对比全导联与单导联表现，旨在建立一套稳定高效的认知负荷检测框架，明确关键响应脑区，为实时脑机交互与认知状态监测提供技术支撑。
论文概要
近日，相关研究团队采用脑电技术与机器学习算法，系统构建了基于 EEG 导联特征优化的认知负荷检测方法。研究成果发表于《Scientific Reports》，题为“Cognitive load detection through EEG lead wise feature optimization and ensemble classification”。研究通过收集MAT 心算任务与 STEW 同步任务两类公开数据集的脑电信号，采用 R LMD 分解、BAO 二进制特征选择与优化集成学习（OEL）分类，比较了全导联与单导联在认知负荷识别中的准确率、灵敏度与特异度差异。结果显示，所提 R LMD+BAO+OEL 框架表现最优：在 MAT 数据集上准确率达97.4%，STEW 数据集达96.1%；且前额叶 F3 导联在单导联检测中表现突出，分别达到 94.5% 与 94%。此外，该方法在分解效果、特征筛选效率与分类鲁棒性上均优于现有 DWT、SWT、EMD 等技术。
文章信息
研究方法 本研究使用MAT 与 STEW 两个公开 EEG 数据集开展认知负荷检测，分别包含 36 名心算任务被试与 48 名同步任务被试，均采用国际 10-20 系统布设电极。研究采用导联级与整体特征并行分析范式，先将 EEG 信号切分为 4 秒片段，再通过滤波与伪迹重建完成预处理：
MAT 数据集使用 0.5 Hz 高通、45 Hz 低通及 50 Hz 工频陷波滤波；STEW 数据集使用 1 Hz 高通滤波、伪迹子空间重构与平均重参考。
信号处理核心采用鲁棒局部均值分解（R-LMD），将各通道 EEG 自适应分解为 5 个模态分量，提取时域（偏度、峰度）、频域（功率谱密度）及多类熵（模糊熵、Renyi 熵、差分熵）构成多域特征。随后通过二进制算术优化算法（BAO） 结合莱维飞行与转换函数完成最优特征筛选，以分类误差率与特征降维率构建适应度函数。分类阶段使用 6 种优化机器学习模型（树、判别式、朴素贝叶斯、KNN、SVM、优化集成学习 OEL），采用 10 折交叉验证评估性能，重点统计准确率（AC）、灵敏度（SE）与特异度（SP）。
图1 认知负荷检测方法流程图
研究结果
1.整体分类精度
优化集成学习（OEL）在两套数据集均达最优：MAT 数据集97.4%、STEW 数据集96.1%。混淆矩阵判别清晰、ROC 曲线接近理想状态。
图2 A:MAT 数据集的 OEL 性能 B: STEW 数据集的 OEL 性能
2.关键导联检测效果
前额叶F3 导联为最佳单通道，准确率分别达94.5%（MAT）、94%（STEW），结果见表1、表 2。
表1 采用优化后机器学习分类器得到的MAT数据集结果
表2 采用优化后机器学习分类器得到的STEW数据集结果
3.特征选择收敛性
图 3表明 BAO 算法快速收敛，可高效筛选最优特征子集，能显著提升分类效率。
图3 由 BAO 生成的适应度曲线 / 拟合度曲线
4.脑区激活差异
图4拓扑图显示，认知任务态下前额叶 F3/F4/F7激活显著强于静息态，是认知负荷核心响应脑区。
图3 静息态与任务态下前三通道的拓扑分布图
5.方法优越性
表 3对比证实，R-LMD+BAO+OEL整体性能超过 DWT、SWT、EMD、VMD 等现有方法。
表3 与现有方法的对比
结论与讨论
本研究通过系统优化EEG信号分解、特征选择与集成分类方法，确立了R-LMD+BAO+OEL框架在认知负荷检测中的核心优势。研究发现，该框架在MAT和STEW数据集上分别实现97.4%和96.1%的整体分类准确率，前额叶F3导联作为核心响应脑区，单导联检测准确率亦达94.5%和94%，显著优于传统EEG分析方法。
研究不仅验证了导联级特征分析结合优化机器学习在认知负荷检测中的可行性，更构建了一套从多域特征提取到高精度分类的完整EEG信号处理方法论。随着脑机交互与实时认知监测需求的提升，该研究为认知负荷检测从整体分析向精细化脑区定位的转变奠定了坚实基础，推动脑电技术在人机工程、临床神经监测等领域的实际应用迈向精准化新阶段。
原文信息链接
Yedukondalu J, Sunkara K, Radhika V, et al. Cognitive load detection through EEG lead wise feature optimization and ensemble classification[J]. Scientific Reports, 2025, 15(1): 842.
DOI：10.1038/s41598-024-84429-6
研究团队
该研究由印度多所高校电子工程、计算机科学与数据科学领域学者跨校合作完成，Kalyani Sunkara为通讯作者，核心作者包括 Jammisetty Yedukondalu、Vankayalapati Radhika、Sivakrishna Kondaveeti 等，分别来自 QIS 工程技术学院、VIT-AP 大学、VNR Vignana Jyothi 工程技术学院等印度院校。
关于维拓启创
维拓启创（北京）信息技术有限公司成立于2006年，是一家专注于脑科学、康复工程、人因工程、心理学、体育科学等领域的科研解决方案供应商。公司与国内外多所大学、研究机构、企业长期保持合作关系，致力于将优质的产品、先进的技术和服务带给各个领域的科研工作者，为用户提供有竞争力的方案和服务，协助用户的科研工作，持续提升使用体验。
相关产品
相关文章
更多 >