排序方式： 共有1条查询结果，搜索用时 0 毫秒
1
1.
为探究不同认知负荷下的人脑活动,设计了三种实验范式（N-Back、心算和Sternberg）,采集被试者在三类认知负荷下的脑电图（electroencephalogram, EEG）信号,并对EEG信号进行预处理、特征提取和特征分类。模型通过相位锁相值（phase locking value, PLV）计算了EEG的功能连接特征,将PLV功能连接矩阵作为脑功能网络的边;以微分熵特征作为网络的节点信息,实现EEG频域与空间域特征的融合,利用图注意力神经网络完成了跨任务的认知负荷分类。模型在跨任务三分类认知负荷识别中取得了57.12%的平均分类准确率。基于复杂网络理论,从全局和局部两个层次分析了不同负荷状态下大脑网络结构的变化,随着认知负荷程度增加,theta与alpha频段的全局聚类系数逐渐减小,delta与theta频段的全局效率则有所提高;theta频段下的额叶、顶叶与颞叶脑区电极的局部效率呈上升趋势。网络全局与局部的度量变化表明随着人脑认知负荷程度的提高,功能脑网络的拓扑结构在发生改变。 相似文献
1