AGCTN：一种用于高分辨率脑电图（EEG）精神负荷识别的自适应图卷积变换器网络

《Expert Systems with Applications》：AGCTN: adaptive graph convolutional transformer network for hyperscanning EEG mental workload recognition

　　

陈兰兰|徐佳敏|周淑珍|张明明

摘要

传统的脑力负荷测量方法主要关注单个大脑的分析，忽略了多个大脑之间的相互作用。随着超扫描技术的进步，人们越来越重视对大脑间相互作用及其在协作任务中对认知负荷影响的理解。本文提出了一种创新的脑电图（EEG）脑力负荷识别框架——自适应图卷积变换器网络（AGCTN），旨在解决多大脑协作任务中脑力负荷评估的挑战。该框架结合了图卷积网络（GCN）和变换器（Transformer），能够有效捕捉EEG信号中的局部空间特征和全局依赖关系。具体而言，自适应邻接矩阵动态调整EEG信号之间的空间关系，增强了GCN的表达能力；而具有交叉注意力机制的Transformer模块能够有效建模大脑信号之间的长距离依赖关系。此外，引入了门控特征融合（GFF）模块，以优先提取更具区分性的特征并抑制冗余信息。这一框架克服了传统方法在处理多大脑场景中的复杂空间依赖关系时的局限性。在三个多大脑EEG数据集上的评估表明，AGCTN在脑力负荷识别方面优于现有最先进模型。进一步分析发现，大脑间的网络在认知负荷识别方面的表现优于大脑内的网络，这表明社会互动通过大脑间的同步作用促进了更具区分性的神经模式。该方案可以发展为用于安全关键人机系统的在线预警模块，通过动态解码大脑间的耦合关系实时评估操作者的认知状态。此外，它还可以支持自适应系统根据团队工作负荷自主调节任务需求。