基于装配任务与EEG功率信息特征的操作员认知负荷研究

作     者：孟荣华 李子奇 吴正佳 杜轩 董元发 李浩平 MENG Rong-hua;LI Zi-qi;WU Zheng-jia;DU Xuan;DONG Yuan-fa;LI Hao-ping

作者机构：三峡大学水电机械设备设计与维护湖北省重点实验室湖北宜昌443002 三峡大学机器人与智能系统宜昌市重点实验室(三峡大学)湖北宜昌443002 三峡大学智能制造创新技术中心湖北宜昌443002 

基　　金：国家自然科学基金资助项目(52075292) 水电工程施工与管理湖北省重点实验室(三峡大学)开放基金(2020KSD15) 

出 版 物：《机械设计》 (Journal of Machine Design)

年 卷 期：2022年第39卷第11期

页      码：60-70页

摘      要：操作员认知负荷水平的准确分类,对优化企业生产可靠性指标,提高产品质量与效率具有极其重要的意义。现有认知负荷研究大多集中在航空或交通领域,而在机械装配领域研究较少,一般采用基于生理信号与设备信息构建分类模型的方法进行研究,但未针对认知负荷数据特征对分类模型进行改进,分类精度不高。为解决上述问题,设计基于多复杂度减速器装配场景的N-Back次任务脑电试验,收集了主观评价数据、装配数据和脑电信号,分析了数据与认知负荷之间的内在联系,利用机器学习算法,构建了基于互信息量的随机森林模型,实现了复杂装配系统操作员认知负荷的分类评估。结果表明:各特征因素对操作员认知负荷均有显著影响,且随认知负荷增加呈现规律性变化,认知负荷试验设计合理;基于互信息量的随机森林模型分类效果显著优于其他分类模型,多维特征可有效降低算法欠拟合能力,提高分类精度。

主 题 词：认知负荷 多维信息特征 随机森林算法 模式识别 

学科分类：08[工学] 0837[0837] 0836[0836] 

D　O　I：10.13841/j.cnki.jxsj.2022.11.021

馆 藏 号：203115577...