基于脑电与机器学习的安全标志 hazard perception 分类建模研究

《International Journal of Industrial Ergonomics》：Integrating electroencephalogram with machine learning modeling to classify hazard perception for safety sign designs

本文创新性地将脑电图（EEG）与机器学习模型相结合，构建可解释性框架，成功实现对安全标志 hazard perception 水平（低/中/高）的分类预测。研究采用时间分离范式采集EEG信号，通过特征重要性分析揭示枕叶beta波段和顶枕区N100成分是关键神经指标，为抽象符号性安全标志的神经认知评估提供了定量化新工具。

　　

Section snippets

Participants

本次实验共招募38名参与者，包括19名男性和19名女性。参与者平均年龄20.84岁（范围19至27岁，标准差2.01岁），视力正常或矫正至正常。所有参与者均为右利手。无人有神经或精神疾病史。每位参与者在实验前阅读实验说明以了解实验流程并签署知情同意书。

ERP and EEG features

首先，我们对从时域和频域提取的23个特征进行了统计分析。表2显示了在选定时间窗内，四个ERP成分在不同脑区的平均波幅和标准误。图6展示了四个ERP成分的波形图。

类似地，我们对大脑皮层七个区域的两种EEG频段的功率谱密度（PSD）进行了统计分析。表3显示了结果。图7展示了...

Discussion

本研究证实了将机器学习与EEG特征相结合，能够有效预测个体对不同安全标志设计的 hazard perception 类别。精确识别和量化这些类别对于增强人们的依从行为至关重要。近年来，评估个体对安全标志的 hazard perception 已从主观评估转向生理学技术，特别是EEG。与...

Conclusion

本研究通过整合EEG数据与机器学习模型，成功开发了针对安全标志 hazard perception 的有效分类器，从而为安全标志评估提供了一种新颖且实用的方法。通过在实验室环境中模拟真实场景，我们使用高精度脑电图（EEG）系统捕获实时EEG信号。参与者首先隐式观察各种安全标志设计，随后进行显式...