计算机应用

作者：周天彤, 郑妍琪, 魏韬, 戴亚康, 邹凌

单位：1.常州大学 计算机与人工智能学院，江苏 常州 213159；2.常州大学 常州市生物医学信息技术重点实验室，江苏 常州 213159；3.中国科学院 苏州生物医学工程技术研究所，江苏 苏州 215163；4.常州大学 微电子与控制工程学院，江苏 常州 213164

关键词：认知负荷,脑电信号,多尺度时间卷积,变分图自编码器,局部-全局图网络

基金：江苏省重点研发计划项目(BE2021012-5)

针对认知负荷识别模型存在过于依赖手动特征提取、忽视脑电图（EEG）信号的空间信息和无法有效学习图结构数据的问题，提出一种融合变分图自编码器（VGAE）与局部-全局图网络（VLGGNet）的认知负荷EEG识别模型。该模型由时间学习模块和图形学习模块这2个部分组成。首先，使用时间学习模块通过多尺度时间卷积捕捉EEG信号的动态频率表示，并通过空间与通道重建卷积（SCConv）和1×1卷积核级联模块融合多尺度卷积提取的特征；其次，使用图形学习模块将EEG数据定义为局部-全局图，其中，局部图特征提取层将节点属性聚合到一个低维向量，全局图特征提取层通过VGAE重构图结构；最后，对全局图和节点特征向量执行轻量化图卷积操作，由全连接层输出预测结果。通过嵌套交叉验证，实验结果表明，在心算任务（MAT）数据集上，相较于次优的局部-全局图网络（LGGNet），VLGGNet的平均准确率（mAcc）和平均F1分数（mF1）分别提升了4.07和3.86个百分点；在同时任务EEG工作量（STEW）数据集上，相较于表现最好的多尺度时空卷积神经网络（TSception），VLGGNet的mAcc与TSception相同，mF1仅降低了0.01个百分点。可见VLGGNet提高了认知负荷分类的性能，也验证了前额叶和额叶区域与认知负荷状态密切相关。

来源：2025年第6期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第6期