關鍵詞：腦力負荷 腦電信號 超限學習機 支持向量機 

摘要：為了精確評估個體心理負荷狀態,需要獲取目標腦電信號數據,腦電信號是評估腦力負荷變化的重要指標。機器學習和神經網絡越來越多地用于腦力負荷分類。利用腦電信號特征可在時域和頻域中提取突出信息。因此提出一個結合支持向量機(SVM)與超限學習機(ELM)的混合型腦力負荷分類框架。其中支持向量機作為成員分類器,可在高維EEG特征中查找隱藏信息;超限學習機用于融合成員分類器的輸出。將ELM-SVM模型與經典腦力負荷分類器進行比較,得出該模型訓練精度準確率為1,且測試精度提升0.1個百分點。

軟件導刊雜志要求:

{1}作者簡介：文尾附注第一作者簡介，含姓名（出生年月）、性別、民族、籍貫、學歷學位、單位、職務、職稱、研究方向等，并注明準確通訊地址、郵政編碼、電話號碼、E-mail地址。

{2}本刊只接受word版電子文本。文稿須包括題目、提要、關鍵詞、正文及作者簡介。

{3}題目中除公知公用的縮略語外，盡量不用外文縮略語。

{4}參考文獻列出的一般應限于作者直接閱讀過的、最主要的、發表在正式出版物上的文獻。

{5}關鍵詞應有3～5個。詞與詞之間用分號分隔。

注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社