《表1 ConvNet网络层各参数》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《脑电时空多特征融合的数字图形界面认知负荷评价方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

频域和空间特征模块用于获取EEG的频域与空间特征.文献[14]采用7个连续的、不重叠的时间窗口划分EEG信号，该方法的一个局限性就是不适用于较短的EEG时间序列，在此时间序列中无法提取期望的频域信息.为了解决这个问题，本文采用7个连续的重叠的时间窗分割EEG信号（201～600 ms，301～700 ms，401～800 ms，501～900 ms，601～1 000 ms，701～1 100 ms，801～1 200 ms）.另外，本文在进行频带选择时更多地考虑了被试在进行实验时的精神状态，忽略了一些低频信息并考虑了一些高频信息，对每个时间窗下的EEG信号利用FFT分别提取α波（8～13 Hz），β波（13～30 Hz）和γ波（31～49 Hz）的功率谱密度值.把采集设备的电极坐标映射到二维平面上，结合功率谱密度值，利用三次样条插值生成32×32大小的图片作为MultiCNN的输入.EEG信号的处理过程如图3所示.Multi-CNN和ConvNet的结构分别如图4和图5所示，其网络参数如表1所示.7个时间窗口内的EEG频域与空间信息分别通过7个ConvNet，最后将7个网络的输出结果输入到一个卷积层Conv中，Multi-CNN最后一层即卷积层Conv的输入张量维度为.其中，S batch为一次训练所选取的样本数，本文设置为32；Ntimewin为所选取的时间窗口数量，本文设置为7；卷积层Conv的卷积核大小为3×2 048，卷积核数量为64，步长为1，激活函数为ReLU.