GMMクラスタリング、ラプラシアン固有マップ、およびアンサンブルSVMSによる瞬間的な認知タスクロードのパターン分類

ヒトオペレーターの認知タスクロード（CTL）の時間的変動の特定は、ヒューマンマシン共同システムの可能性のある事故を防ぐために重要です。最近の文献では、ヒューマシンシステム操作中の離散CTLレベルの変化は、神経生理学的データと監視された学習手法を使用して客観的に認識できることが示されています。この作業の目的は、対象固有のマルチクラスCTL分類器を設計して、ターゲットクラスのラベル付け、生理学的特徴の削減と選択、およびアンサンブル分類手法を組み合わせて、オペレーターのタスクパフォ​​ーマンスと神経生理学的特徴との複雑な未知の関係を明らかにすることです。精神生理学的データ収集実験は、複数のヒューマシンプロセス制御タスクの下で実行されました。CTLの4つまたは5つのターゲットクラスは、ガウス混合モデルと3つのヒトパフォーマンス変数を使用して決定されました。Laplacian固有マップを使用することにより、いくつかの顕著なEEG機能が抽出され、CTL分類器の入力機能として心拍数が使用されました。次に、複数のサポートベクトルマシンを多数票を介して集約し、CTLクラスを認識するためのアンサンブル分類器を作成しました。最後に、得られたCTL分類結果をいくつかの既存の方法の結果と比較しました。結果は、提案された方法が、個々の人間のオペレーター被験者に合理的な数のターゲットクラスと低次元の最適なEEG機能を導き出すことができることを示しました。

The identification of the temporal variations in human operator cognitive task-load (CTL) is crucial for preventing possible accidents in human-machine collaborative systems. Recent literature has shown that the change of discrete CTL level during human-machine system operations can be objectively recognized using neurophysiological data and supervised learning technique. The objective of this work is to design subject-specific multi-class CTL classifier to reveal the complex unknown relationship between the operator's task performance and neurophysiological features by combining target class labeling, physiological feature reduction and selection, and ensemble classification techniques. The psychophysiological data acquisition experiments were performed under multiple human-machine process control tasks. Four or five target classes of CTL were determined by using a Gaussian mixture model and three human performance variables. By using Laplacian eigenmap, a few salient EEG features were extracted, and heart rates were used as the input features of the CTL classifier. Then, multiple support vector machines were aggregated via majority voting to create an ensemble classifier for recognizing the CTL classes. Finally, the obtained CTL classification results were compared with those of several existing methods. The results showed that the proposed methods are capable of deriving a reasonable number of target classes and low-dimensional optimal EEG features for individual human operator subjects.