基于半监督自动编码器的脑电信号认知负荷识别研究

为解决脑电信号(EEG)标记数据稀缺导致的认知负荷识别难题，研究人员创新性地提出融合监督与无监督学习的半监督自动编码器框架。该模型通过联合优化重构误差与预测误差，结合跨层跳跃连接技术，在两项EEG数据集中实现高精度二元认知负荷分类，为人机交互与医疗监测提供新范式。

　　

认知负荷(mental workload)——即完成任务所需的认知努力强度——在系统设计、医疗监护和人机交互(Human-Machine Interaction)领域具有关键价值。传统基于监督学习的脑电(EEG)识别方法受限于标记数据稀缺，研究者另辟蹊径开发出半监督自动编码器(semi-supervised autoencoders)，巧妙融合少量标记数据与海量未标记数据。该模型在经典无监督自动编码器架构中嵌入监督目标函数，构建同时最小化信号重构误差与负荷预测误差的联合优化框架，显著提升特征判别力。针对深度网络中常见的梯度消失/爆炸(vanishing/exploding gradients)问题，创新性引入层间跳跃连接(skip connections)机制。在两项标准EEG数据集测试中，该框架展现出卓越的二元认知负荷分类性能。