基于半监督极限学习机的精神负荷分类

作     者：李建荣 张建华 夏家骏 陈朋 LI Jianrong;ZHANG Jianhua;XIA Jiajun;CHEN Peng

作者机构：华东理工大学信息科学与工程学院上海200237 

出 版 物：《华东理工大学学报（自然科学版）》 (Journal of East China University of Science and Technology)

年 卷 期：2019年第45卷第1期

页      码：110-118页

摘      要：实时操作员的精神负荷(Mental Workload,MWL)监测系统对于自适应操作/辅助系统的设计和开发至关重要。虽然基于数据驱动的方法在MWL识别上已经表现出了较好的性能,但是这些方法难以获取大量的标签生理数据。本文比较了两种不同的特征提取方法:小波包变换和希尔伯特-黄变换的效果,试图将半监督极限学习机(Semi-Supervised Extreme Learning Machine,SS-ELM)应用于仅需要少量标签生理数据的操作人员精神负荷分类。实际数据分析结果表明,SS-ELM可以有效提高MWL模式分类的准确性和效率。由于无标签训练数据可以以较少的额外资源从操作员的自然操作中收集,所以利用无标签数据的半监督方法可以在时间和成本上提高模型开发的效率。

主 题 词：精神负荷 生理数据 特征提取 半监督学习 极限学习机 

学科分类：13[艺术学] 08[工学] 1305[艺术学-设计学类] 0810[工学-土木类] 0817[工学-轻工类] 081104[081104] 0804[工学-材料学] 0805[工学-能源动力学] 0703[理学-化学类] 081101[081101] 0811[工学-水利类] 0702[理学-物理学类] 0812[工学-测绘类] 

D　O　I：10.14135/j.cnki.1006-3080.20171201001

馆 藏 号：203607290...