基于Bagging与超限学习机的脑力负荷识别模型

陶嘉栋　尹钟

摘 要：为了提高脑力负荷分类准确率，提出一种将Bagging和极限学习机相结合的集成算法。用极限学习机（ELM）作为底层弱分类器，通过多数投票方式决定最终类别的标签，从而构建最终强分类器。实验结果表明，在脑力负荷识别研究问题上，该集成算法的分类准确率在4个被试数据集上分别达到了96.17%、96.02%、92.50%和93.50%。相较于传统的ELM算法，分类准确率在4个被试数据集上分别提升了1.59%、1.34%、2.86%和1.80%。并且新算法在精确率、灵敏度和特异度等评估标准上均高于传统ELM分类器。

关键词：Bagging;极限学习机;集成算法;脑力负荷

DOI：10. 11907/rjdk. 191593

中图分类号：TP301   文献标识码：A                文章编号：1672-7800（2020）003-0027-04

Mental Workload Recognition Model Based on Bagging

and Extreme Learning Machine

TAO Jia-dong， YIN Zhong

（School of Optical-Electrical and Computer Engineering， University of Shanghai for Science and Technology，

Shanghai 200093， China）

Abstract： In order to improve the accuracy of mental workload classification， an integrated algorithm combining Bagging and extreme learning machine is proposed. The extreme learning machine （ELM） is used as the weak classifier at the bottom level and the label of the final class is determined by majority voting to construct the final strong classifier. The experimental results show that the classification accuracy of the proposed algorithm was 96.17%， 96.02%， 92.50% and 93.50% on the four data sets， respectively. Compared with the traditional ELM algorithm， the classification accuracy rate was increased by 1.59%， 1.34%， 2.86% and 1.80% on the four data sets， respectively. Moreover， the new algorithm is superior to the traditional ELM classifier in accuracy， sensitivity and specificity.

Key Words： Bagging; extreme learning machine; integrated algorithm; mental workload

0 引言

在當前人机协同系统中，利用机器学习中的不同算法模型对脑电信号进行分类尤为必要。识别和评估人的脑力负荷水平可以有效避免人的脑力负荷带来的风险。脑力负荷一般可以被定义为在短暂的任务需求下剩余工作记忆的认知资源或能力[1]。近年来，许多研究人员利用神经信号分析技术对脑电等生理生物标志物进行神经信号分析，这为实时和定量评价脑力负荷变化提供了依据[2-3]。邱静等[4]提出了一种名为原功率调制的新型特征提取方式，结合传统信号分类方法对脑电信号进行了分类;刘宝善等[5]建立歼击机飞行员脑力负荷评价模型评定飞机飞行品质;卫宗敏等[6]在飞行模拟任务条件下研究了三级脑力负荷测量与评价;刘维平等[7]提出了基于任务的乘员脑力负荷典型主观评价方法;ZHAO等[8]提出了一种利用支持向量机（Support Vector Machine，SVM）对跨任务脑力负荷水平进行分类的生理异常检测系统;ZHANG等[9]提出了一种自回归建模方法，研究了心率变异性与脑力负荷的关系，从而提高了对脑力负荷水平的评估精度。

最近研究表明，极限学习机（Extreme Learning Machine，ELM）是一个很好的脑力负荷分类器。ELM代表一套机器学习技术，证明隐藏层神经元无需调整[10]。脑电信号已广泛用于警戒估计，以避免风险[11]。ELM算法可以实现对脑电特征学习的训练和处理[12-13]。尽管ELM算法有以上优势，但依然存在许多问题。比如ELM模型的输出权重是固定的，导致模型无法适用于所有脑电数据。目前，许多研究人员提出了改善原始ELM模型的方法。比如，贾伟等[14]利用粒子群优化算法优化原始ELM，从而改善其分类效果;闫河等[15]提出卷积神经网络与ELM相结合的新分类方法;魏思政等[16]提出了一种基于深度信念网络和ELM相结合的新检测方法，先用深度信念网络提取特征，再用ELM进行分类，最终取得良好分类效果;尹刚等[17]在ELM中引入结构风险最小化理论，用小波函数替代原有的隐层激励函数，与在线学习方法相结合，改善了原始ELM的分类性能。

[1]SANJRAM P K. Attention and intended action in multitasking： an understanding of workload[J]. Displays， 2013， 34（4）： 283-291.

[2]TING C， MAHFOUF，NASSEF A M，et al. Real-time adaptive automation system based on identification of operator functional state in simulated process control operations[J]. IEEE Transactions on Systems， Man and Cybernetics-Part A： System and Humans， 2010， 40（2）： 251-262.

[3]MAJUMDAR K. Human scalp EEG processing： various soft computing approaches[J]. Applied Soft Computing，2011，11（8）：4433-4447.

[4]邱静，高龙，卢军. 实时EEG脑力负荷预测研究[J]. 人类工效学， 2015，21（3）： 10-13.

[5]刘宝善，廖建桥，王玉红，等. 歼击机飞行员脑力负荷评价模型的研究[J]. 中华航空航天医学杂志，2000，11（1）： 24-24.

[6]卫宗敏，完颜笑如，庄达民. 飞机座舱显示界面脑力负荷测量与评价[J]. 北京航空航天大学学报，2014， 40（1）： 86-91.

[7]刘维平，赵凯旋，聂俊峰，等. 基于任务的乘员脑力负荷典型主观评价方法[J]. 科学技术与工程，2018， 18（14）： 131-135.

[8]ZHAO G Z，LIU Y J，SHI Y C.Real-time assessment of the cross-task mental workload using physiological measures during anomaly detection[J]. IEEE Transactions on Human-Machine Systems，2018，48（2）： 149-160.

[9]ZHANG J H，WANG X Y，MAHFOUF M， et al. Use of heart rate variability analysis for quantitatively？assessing？operators？mental？workload[J]. IEEE Conferences， 2008， 1（1）： 668-672.

[10]HUANG G B. An insight into extreme learning machines： random neurons， random features and kernels[J]. Cognitive Computation， 2014， 6（3）： 376-90.

[11]SHI L C，LU B L. EEG-based vigilance estimation using extreme learning machines[J]. Neurocomputing， 2013， 102（15）： 135-143.

[12]YUAN Q，ZHOU W D.Epileptic EEG classification based on extreme learning machine and nonlinear features[J]. Epilesy Research， 2011， 96（1-2）： 29-38.

[13]HUANG G B，WANG D. Advances in extreme learning machines[J]. Neurocomputing， 2011， 74（16）： 2411-2412.

[14]賈伟，华庆一，张敏军，等.改进极限学习机的移动界面模式半监督分类[J]. 计算机工程与应用， 2018， 54（2）： 11-19.

[15]闫河，王鹏，董莺艳，等.基于深度CNN和极限学习机相结合的实时文档分类[J].计算机应用与软件， 2019， 36（3）： 174-179.

[16]魏思政，刘厚泉，赵志凯.基于DBN-ELM的入侵检测研究[J].计算机工程， 2018， 44（9）： 153-158.

[17]尹刚，张英堂，李志宁，等. 改进在线贯序极限学习机在模式识别中的应用[J]. 计算机工程， 2012，38（8）： 164-166.

[18]HUANG G B， ZHU Y Q，SIEW C K. Extreme learning machine： a new learning scheme of feedforward neural networks[C]. Budapest：2004 IEEE International Joint Conference on Nenral Networks， 2004.

[19]HUANG G B，ZHU Y Q，SIEW C K. Extreme Learning machine：Theory and applications[J]. Neurocomputing，2006，70（1-3）：489-501.

[20]姚明海，赵连朋，刘维学. 基于特征选择的Bagging分类算法研究[J]. 计算机技术与发展， 2014， 24（4）： 103-106.

[21]ZHANG J，YIN Z，WANG R. Recognition of mental workload levels under complex human-machine collaboration by using physiological features and adaptive support vector machines[J]. IEEE Transactions on Human-Machine Systems， 2015， 45（2）： 200-214.

[22]ZHANG Z， ZHAO M， CHOW T W S. Constrained large margin local projection algorithms and extensions for multimodal dimensionality reduction[J].  Pattern Recognition， 2012， 45（12）： 4466-4493.

（责任编辑：孙 娟）

收稿日期：2019-05-07

基金项目：国家自然科学基金青年项目（61703277）;上海青年科技英才扬帆计划项目（17YF1427000）

作者简介：陶嘉栋（1996-），男，上海理工大学光电信息与计算机工程学院硕士研究生，研究方向为基于脑电信号的脑力负荷分类;尹钟（1988-），男，博士，上海理工大学光电信息与计算机工程学院副教授，研究方向为生理信号智能处理算法与模式识别、认知任务负荷检测。本文通讯作者：尹钟。