曲洪權(quán)， 王飛月， 龐麗萍

(1.北方工業(yè)大學(xué)信息學(xué)院， 北京 100144； 2.北京航空航天大學(xué)航空科學(xué)與工程學(xué)院， 北京 100191)

腦力負(fù)荷是一個(gè)多維的概念，它涉及工作要求、時(shí)間壓力、操作者的能力和努力程度、行為表現(xiàn)和其他許多因素[1]。研究表明，腦力負(fù)荷是影響作業(yè)績(jī)效的重要因素，當(dāng)作業(yè)人員腦力過(guò)高時(shí)，作業(yè)決策的錯(cuò)誤率會(huì)增加，從而導(dǎo)致人因事故的發(fā)生[2]。因此，對(duì)作業(yè)人員進(jìn)行腦力負(fù)荷識(shí)別對(duì)于提高作業(yè)效率，減少人因事故發(fā)生具有重要意義。

早期測(cè)量腦力負(fù)荷的方法主要有行為績(jī)效法和主觀評(píng)估法[3]。但是，在實(shí)際應(yīng)用時(shí)二者都由于其局限性難以進(jìn)行腦力負(fù)荷狀態(tài)的實(shí)時(shí)評(píng)估[4]。隨著生物信號(hào)檢測(cè)技術(shù)的發(fā)展，諸多科學(xué)家嘗試了使用生理信號(hào)進(jìn)行腦力負(fù)荷識(shí)別，并且發(fā)現(xiàn)腦電(electroencephalogram， EEG)信號(hào)與腦力負(fù)荷狀態(tài)具有很高的相關(guān)性[5-7]。因此，基于腦電信號(hào)的腦力負(fù)荷研究成為目前最廣泛的腦力負(fù)荷研究方法。并且諸多研究表明，在不同的腦力負(fù)荷狀態(tài)下，腦電信號(hào)在theta、alpha、beta和gamma這4個(gè)頻段的功率譜變化敏感。因此，腦電信號(hào)在各個(gè)頻段中的功率譜也成為近年來(lái)腦力負(fù)荷研究中最多常用的生理信號(hào)特征[8-10]。

然而，在腦電信號(hào)的處理中，采集得到的原始腦電信號(hào)在各個(gè)頻段經(jīng)過(guò)提取特征后會(huì)存在明顯的冗余性和無(wú)關(guān)性。這是由于腦電信號(hào)是由多通道腦電帽采集的，采集得到的腦電信號(hào)中除了有用的腦電信息外還會(huì)存在一些通道之間的重復(fù)以及噪音，這會(huì)導(dǎo)致計(jì)算負(fù)荷過(guò)高以及準(zhǔn)確性降低。特別是在樣本數(shù)量較小時(shí)，樣本在高維空間中分布會(huì)非常稀疏，會(huì)影響到分類結(jié)果的準(zhǔn)確性以及有效性。因此，在特征提取之后，需要對(duì)高維特征進(jìn)行特征選擇或特征融合處理，降低特征空間維度，從而降低計(jì)算負(fù)荷并提高分類性能。Zhang等[11]比較了5種主要特征選擇算法的腦電信號(hào)分類準(zhǔn)確性，包括核譜回歸，局部性保留投影，主成分分析，最小冗余最大相關(guān)性和Relief，以及4種不同的機(jī)器學(xué)習(xí)分類器，即K-最近鄰、樸素貝葉斯、支持向量機(jī)和隨機(jī)森林。姜月等[12]提取結(jié)合時(shí)-頻-空域的初始特征向量, 用主成分分析(principal component analysis， PCA)降維并保留累積貢獻(xiàn)率大于85%的主成分特征, 得到的主成分特征向量用支持向量機(jī)分類, 得到91.9%的識(shí)別率。Matin等[13]利用主成分分析和獨(dú)立成分分析對(duì)腦電特征進(jìn)行降維，然后使用支持向量機(jī)對(duì)腦電信號(hào)進(jìn)行分類。

針對(duì)視覺(jué)和操作類任務(wù)，現(xiàn)提出一種自適應(yīng)主成分分析維度尋優(yōu)方法，并將該方法應(yīng)用在腦力負(fù)荷識(shí)別中。由于目前應(yīng)用主成分分析(PCA)[14]算法進(jìn)行特征提取的腦電信號(hào)識(shí)別研究中，對(duì)于降維維度的確定大都是通過(guò)設(shè)定累計(jì)貢獻(xiàn)率閾值來(lái)確定[12,15-16]。但是，對(duì)于同一實(shí)驗(yàn)下的多組數(shù)據(jù)，由于設(shè)備、誤差等原因，數(shù)據(jù)分布有所差別，導(dǎo)致由相同的累計(jì)貢獻(xiàn)率得到的降維維度不一致，在后續(xù)訓(xùn)練分類器時(shí)無(wú)法確定特征的統(tǒng)一降維維度。為了解決這一問(wèn)題，本文研究借鑒K-means聚類算法中K值的確定方法[17-18]，確定主成分分析的最佳降維維度。該方法考慮在同一種實(shí)驗(yàn)中得到N組實(shí)驗(yàn)數(shù)據(jù)，通過(guò)分析現(xiàn)有的N組實(shí)驗(yàn)數(shù)據(jù)特征通過(guò)主成分分析降維后在各個(gè)維度上的分類表現(xiàn)，得到該實(shí)驗(yàn)數(shù)據(jù)集的最優(yōu)降維維度。通過(guò)該方法得到的最優(yōu)降維維度可以應(yīng)用在同實(shí)驗(yàn)的其他數(shù)據(jù)中，從而為該實(shí)驗(yàn)得到的腦電數(shù)據(jù)找到一個(gè)通用的降維維度，提高識(shí)別性能。

現(xiàn)通過(guò)5個(gè)步驟實(shí)現(xiàn)腦力負(fù)荷的識(shí)別：首先對(duì)實(shí)驗(yàn)測(cè)量的各組腦電信號(hào)進(jìn)行預(yù)處理，其次對(duì)預(yù)處理得到的腦電信號(hào)數(shù)據(jù)進(jìn)行特征提取，得到腦電信號(hào)的功率譜密度特征，再通過(guò)主成分分析算法得到尋優(yōu)維數(shù)范圍各個(gè)維度的低維特征，之后利用自適應(yīng)主成分分析維度尋優(yōu)方法得到該實(shí)驗(yàn)數(shù)據(jù)集的最優(yōu)降維維度，最后將得到的最優(yōu)維度應(yīng)用在同實(shí)驗(yàn)的其他數(shù)據(jù)中對(duì)其進(jìn)行腦力負(fù)荷識(shí)別。使用該方法進(jìn)行腦力負(fù)荷識(shí)別不僅可以提高識(shí)別效率，而且有利于同實(shí)驗(yàn)中多組數(shù)據(jù)的統(tǒng)一研究。

1 自適應(yīng)主成分分析維度尋優(yōu)

該方法可以利用實(shí)驗(yàn)數(shù)據(jù)集中所有實(shí)驗(yàn)數(shù)據(jù)的信息，在所需尋優(yōu)維數(shù)范圍內(nèi)求出該實(shí)驗(yàn)數(shù)據(jù)集的最佳降維維度。需要解決的問(wèn)題是，給出一個(gè)包含不同負(fù)荷狀態(tài)下的多組實(shí)驗(yàn)?zāi)X電實(shí)驗(yàn)數(shù)據(jù)的數(shù)據(jù)集，并利用實(shí)驗(yàn)數(shù)據(jù)集中的N組實(shí)驗(yàn)數(shù)據(jù)在所需尋優(yōu)維數(shù)范圍[1,M](M

如圖1所示，自適應(yīng)主成分分析降維維度尋優(yōu)共分兩個(gè)步驟完成。第一步，通過(guò)對(duì)降維的特征數(shù)據(jù)訓(xùn)練分類器，得到尋優(yōu)維數(shù)范圍內(nèi)各維度的分類精度集合。首先將實(shí)驗(yàn)數(shù)據(jù)集中的每組實(shí)驗(yàn)數(shù)據(jù)分別進(jìn)行特征提取得到實(shí)驗(yàn)數(shù)據(jù)特征集并確定要查找的最優(yōu)維度的范圍[1,M]，之后將每組數(shù)據(jù)的特征矩陣分別使用主成分分析算法降維至[1,M]的每個(gè)維度并歸一化得到M個(gè)維度的實(shí)驗(yàn)歸一化低維特征集，再將每組低維特征數(shù)據(jù)分別進(jìn)行訓(xùn)練分類器并將該維度N組數(shù)據(jù)的自測(cè)試精度求和得到該維度的實(shí)驗(yàn)數(shù)據(jù)集維度特征分類精度，最后得到M個(gè)維度的實(shí)驗(yàn)數(shù)據(jù)集的分類精度集合W。第二步，根據(jù)實(shí)驗(yàn)數(shù)據(jù)集各維度特征的分類精度，自適應(yīng)尋優(yōu)得到實(shí)驗(yàn)數(shù)據(jù)集的最優(yōu)降維維度p。首先將數(shù)據(jù)集的分類精度集合W進(jìn)行尺度變換得到與其相對(duì)應(yīng)的維度范圍尺度相同的集合X，之后將集合X中的數(shù)據(jù)與其對(duì)應(yīng)的維度封裝成M個(gè)數(shù)據(jù)對(duì)并繪制出實(shí)驗(yàn)數(shù)據(jù)集維度-精度曲線，再通過(guò)計(jì)算各維度與其相鄰兩個(gè)維度連線之間夾角的正切值得到相鄰維度夾角正切值集合T，集合T中最大正切值對(duì)應(yīng)的維度便是該實(shí)驗(yàn)數(shù)據(jù)集的最佳降維維度p。

圖1 自適應(yīng)主成分分析維度尋優(yōu)概述Fig.1 Overview of adaptive principal component analysis dimension optimization

特征數(shù)據(jù)降維至p維后進(jìn)行分類識(shí)別，可以在保證分類精度損失較少的情況下，減少分類器的工作量，縮短工作時(shí)間，從而提高分類效率。

1.1 特征提取及主成分分析

腦電信號(hào)分析可以采用不同的信號(hào)處理方法。本文使用已被證明在腦電信號(hào)識(shí)別中有效的功率譜密度(power spectral density，PSD)估計(jì)方法來(lái)提取原始信號(hào)中的有用特征[8-10]。許多功率譜密度(PSD)估計(jì)方法被研究人員用于信號(hào)分析。本文利用Thomson多窗譜估計(jì)(multitaper spectrum method，MTM)的方法進(jìn)行功率譜密度估計(jì)[19]。MTM方法通過(guò)將數(shù)據(jù)乘上一組正交的窗口函數(shù)，計(jì)算出一組相互獨(dú)立的功率譜估計(jì)，可以最小化半帶寬外的頻譜泄露，其中最常用的正交窗為一組相互正交的離散橢球序列(discrete prolate spheroidal sequences，DPSS)。由于腦電信號(hào)序列長(zhǎng)度為12 min，為了減少隨機(jī)起伏，在對(duì)腦電信號(hào)的各個(gè)頻帶特征提取時(shí)，首先把信號(hào)序列分為若干個(gè)2 s的片段，對(duì)每段分別使用MTM法計(jì)算其在各個(gè)頻帶的功率譜密度，然后將頻帶中各個(gè)片段的功率譜密度取平均，作為該頻帶完整腦電信號(hào)序列的功率譜密度特征。

由于一組腦電信號(hào)數(shù)據(jù)中包含多個(gè)電極的腦電信號(hào)序列，導(dǎo)致在提取了4種節(jié)律的功率譜密度特征后得到的特征矩陣維度過(guò)高，導(dǎo)致后續(xù)識(shí)別模型復(fù)雜度過(guò)高，因此需要對(duì)高維的特征矩陣進(jìn)行降維處理，本文選用的降維算法是主成分分析算法[14]。主成分分析算法通過(guò)線性映射的方法將原始的N維數(shù)據(jù)降至k維(k

另外，為了將降維后的功率譜密度特征歸一化處理，采用Z-score方法[20]。并使用歸一化后的特征用來(lái)作為分類器的輸入。

1.2 自適應(yīng)維度尋優(yōu)

假設(shè)實(shí)驗(yàn)數(shù)據(jù)集提取出來(lái)的功率譜密度特征經(jīng)過(guò)主成分分析算法降維并歸一化后在最優(yōu)維度的范圍[1,M]內(nèi)的分類精度集合為W={w1,w2,…,wM}。將各個(gè)維度與其對(duì)應(yīng)的分類精度封裝成M個(gè)數(shù)據(jù)對(duì)繪制成實(shí)驗(yàn)數(shù)據(jù)集的維度—分類精度曲線，如圖2所示，可以發(fā)現(xiàn)該曲線是一個(gè)“手肘型”曲線，隨著維度的增加，數(shù)據(jù)特征所保留的信息不斷增多，分類精度逐漸增加，并且在“肘部”分類精度驟然變大，曲線相鄰三點(diǎn)之間連線的夾角更接近直角。這與K-means算法的手肘法求解最優(yōu)K值十分相似，曲線的“肘部”為最優(yōu)的降維維度。

圖2 維度-分類精度曲線Fig.2 Dimension-classification accuracy curves

為了準(zhǔn)確找到曲線的“肘部”，需要將由分類精度集合W繪制的曲線的橫縱坐標(biāo)調(diào)整為相同的尺度，經(jīng)過(guò)尺度變換后的集合X={x1,x2,…,xM}可由式(1)求得。

(1)

式(1)中：Wmin為集合W的最小值；Wmax為集合W的最大值；M為集合W中數(shù)據(jù)個(gè)數(shù)。

曲線上維度與其相鄰兩個(gè)維度連線之間夾角的正切值tanθi可由正切公式求得，計(jì)算公式為

(2)

式(2)中：i=2,3,…,M-1；ki,i+1=xi+1-xi為維度xi與xi+1兩點(diǎn)連線的斜率；ki-1,i=xi-xi-1為維度xi-1與xi兩點(diǎn)連線的斜率，因此式(2)又可表示為

(3)

式(3)中：i=2,3,…,M-1。

兩連線之間夾角越接近直角，其角度的正切值越大。因此，找到最大正切值對(duì)應(yīng)的維度，則找到了該曲線的“肘部”，也就是最佳維度。

自適應(yīng)維度尋優(yōu)具體方法實(shí)現(xiàn)如下。

輸入：實(shí)驗(yàn)數(shù)據(jù)集在最優(yōu)維度的范圍[1,M]內(nèi)的分類精度集合W={w1,w2,…,wM}。

輸出：最優(yōu)降維維度p。

(1)根據(jù)式(1)將集合W進(jìn)行尺度變換得到集合X。

(2)將集合X內(nèi)M個(gè)變換后的數(shù)據(jù)與其對(duì)應(yīng)的維數(shù)封裝成M個(gè)數(shù)據(jù)對(duì)。

(3)根據(jù)式(3)計(jì)算[2,M-1]維度與其相鄰兩個(gè)維度連線之間夾角的正切值得到集合T={tanθ2,tanθ3,…,tanθM-1}。

(4)獲取集合T中最大值對(duì)應(yīng)的維數(shù)賦值給變量p。

(5)返回p值。

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)與數(shù)據(jù)預(yù)處理

本實(shí)驗(yàn)被試為同專業(yè)的10名研究生，其年齡在22～24歲，身體健康且為右利手，視力或矯正視力正常。實(shí)驗(yàn)前對(duì)被試進(jìn)行培訓(xùn)，充分熟悉任務(wù)操作。實(shí)驗(yàn)平臺(tái)為基于多任務(wù)航空情境操作的 MATBⅡ平臺(tái)，被試需要在規(guī)定時(shí)間內(nèi)對(duì)隨機(jī)出現(xiàn)的4個(gè)子任務(wù)(系統(tǒng)監(jiān)控任務(wù)、追蹤監(jiān)控任務(wù)、通信監(jiān)控任務(wù)和資源管理任務(wù))做出反應(yīng)操作。實(shí)驗(yàn)設(shè)置了兩個(gè)實(shí)驗(yàn)水平：低負(fù)荷和高負(fù)荷。不同實(shí)驗(yàn)水平通過(guò)子任務(wù)呈現(xiàn)不同頻次實(shí)現(xiàn)，其中低負(fù)荷的任務(wù)出現(xiàn)頻次為1次，高負(fù)荷任務(wù)出現(xiàn)頻次為24次。本實(shí)驗(yàn)?zāi)X電采集系統(tǒng)為32電極通道的Neuroscan Neuamps 系 統(tǒng) (Syn-amps2，Scan4. 3，EI Paso，USA)，其中A1和A2電極被設(shè)置為參考電極，分別位于左耳和右耳后面。腦電的采樣頻率為1 024 Hz。

本實(shí)驗(yàn)中每名被試均分別在連續(xù)9 d的白天及夜晚進(jìn)行實(shí)驗(yàn)，在每次實(shí)驗(yàn)時(shí)需要分別完成兩種負(fù)荷下12 min的任務(wù)(在完成不同負(fù)荷任務(wù)中間經(jīng)過(guò)充分休息)，并在每次實(shí)驗(yàn)后使用NASA-TLX量表評(píng)價(jià)該次實(shí)驗(yàn)的合理性，最終共得到180組實(shí)驗(yàn)數(shù)據(jù)。在數(shù)據(jù)分析前對(duì)每組數(shù)據(jù)進(jìn)行預(yù)處理，首先將A1和A2的平均值作為參考，并利用0～45 Hz帶通濾波器進(jìn)行濾波，之后利用重疊滑窗的方式對(duì)數(shù)據(jù)進(jìn)行切分(切分長(zhǎng)度為30 s，重疊長(zhǎng)度為15 s)每條數(shù)據(jù)可以得到47個(gè)片段，兩種負(fù)荷狀態(tài)共94個(gè)片段。由于一組腦電數(shù)據(jù)共有30個(gè)通道，采用標(biāo)準(zhǔn)的4個(gè)頻帶對(duì)每個(gè)片段進(jìn)行特征提取，得到每組數(shù)據(jù)的特征總維數(shù)為120維，尋優(yōu)維度范圍確定為[1,20]。

2.2 實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)選擇支持向量機(jī)[21-22]分類器作為分類方法對(duì)腦力負(fù)荷進(jìn)行分類，將兩種負(fù)荷腦電信號(hào)提取得到的4個(gè)節(jié)律的功率譜密度特征作為支持向量機(jī)的輸入，選取線性核為核函數(shù)。為了得到最優(yōu)模型參數(shù)，對(duì)每組數(shù)據(jù)采用網(wǎng)格搜索法進(jìn)行篩選，懲罰系數(shù)C的搜索范圍為[0.01,1,10]。并且為了確保模型的魯棒性和減少過(guò)擬合，在分類算法中進(jìn)行了交叉驗(yàn)證分析。

本實(shí)驗(yàn)隨機(jī)選擇腦電實(shí)驗(yàn)數(shù)據(jù)集中的70%的實(shí)驗(yàn)數(shù)據(jù)(共126組)作為訓(xùn)練集進(jìn)行實(shí)驗(yàn)數(shù)據(jù)集自適應(yīng)主成分分析維度尋優(yōu)，并將剩余30%實(shí)驗(yàn)數(shù)據(jù)(共54組)作為測(cè)試集進(jìn)行后續(xù)性能測(cè)試。訓(xùn)練集實(shí)驗(yàn)數(shù)據(jù)自適應(yīng)主成分分析維數(shù)尋優(yōu)結(jié)果如圖3所示，分別展示了訓(xùn)練集實(shí)驗(yàn)數(shù)據(jù)在[1,20]維度上的維度-精度曲線圖以及每個(gè)維度與其相鄰兩個(gè)維度連線之間夾角的正切值柱狀圖，從圖3可以看出8維對(duì)應(yīng)的點(diǎn)為維度-精度曲線的“肘部”，并且在正切值柱狀圖3中8維時(shí)正切值最大，因此經(jīng)過(guò)維度尋優(yōu)得到的最優(yōu)維度為8維。

將得到的最優(yōu)維度分別應(yīng)用在訓(xùn)練集以及測(cè)試集的實(shí)驗(yàn)數(shù)據(jù)上，即將腦電實(shí)驗(yàn)數(shù)據(jù)提取的4種功率譜密度特征降維至8維并利用支持向量機(jī)分類器進(jìn)行腦力負(fù)荷識(shí)別。腦電數(shù)據(jù)特征降維至最優(yōu)維度與未降維的平均分類精度對(duì)比如表1所示。

由表1可知，在訓(xùn)練集實(shí)驗(yàn)數(shù)據(jù)中，雖然腦電信號(hào)特征從120維降至8維，但分類結(jié)果相差并不大，平均分類精度僅丟失2.397%；在測(cè)試集實(shí)驗(yàn)數(shù)據(jù)中，降維至最優(yōu)維度前后的平均分類精度損失也僅只有2.443%。由此可見(jiàn)，該自適應(yīng)維度尋優(yōu)方法可以實(shí)現(xiàn)在降低腦電數(shù)據(jù)特征維度的情況下以較少的分類精度損失降低特征數(shù)據(jù)維度，降低后續(xù)識(shí)別模型復(fù)雜度，提高識(shí)別效率。

表1 維度尋優(yōu)前后平均分類精度對(duì)比Table 1 Comparison of average classification accuracy before and after dimension optimization

為了驗(yàn)證降維至最優(yōu)維度的分類性能，分別對(duì)比了訓(xùn)練集實(shí)驗(yàn)數(shù)據(jù)以及測(cè)試集實(shí)驗(yàn)數(shù)據(jù)的腦電數(shù)據(jù)特征分別降維至最優(yōu)維度以及其相鄰4個(gè)維度的腦力負(fù)荷識(shí)別分類精度，即將腦電實(shí)驗(yàn)數(shù)據(jù)提取的4種功率譜密度特征分別降維至6維、7維、8維、9維與10維后進(jìn)行腦力負(fù)荷識(shí)別，腦電實(shí)驗(yàn)數(shù)據(jù)特征降維至最優(yōu)特征與其相鄰維度后的分類精度對(duì)比如圖4所示。

由圖4可知，在訓(xùn)練集實(shí)驗(yàn)數(shù)據(jù)中，當(dāng)實(shí)驗(yàn)數(shù)據(jù)特征維度由10維降至9維時(shí)平均分類精度下降了0.515%，由9維降至8維時(shí)平均分類精度下降了0.262%，當(dāng)維度由8維降至7維時(shí)平均分類精度損失開(kāi)始激增，下降了0.869%，由7維降至6維時(shí)平均分類精度下降了0.811%；測(cè)試集實(shí)驗(yàn)數(shù)據(jù)中同樣體現(xiàn)了相同的規(guī)律，當(dāng)實(shí)驗(yàn)數(shù)據(jù)特征維度由10維降至9維時(shí)平均分類精度下降了0.394%，由9維降至8維時(shí)平均分類精度下降了0.236%，當(dāng)維度由8維降至7維時(shí)平均分類精度損失開(kāi)始激增，下降了0.985%，由7維降至6維時(shí)平均分類精度下降了0.828%。由此可見(jiàn)，自適應(yīng)維度尋優(yōu)方法可以實(shí)現(xiàn)在目標(biāo)尋優(yōu)范圍區(qū)間中找到分類精度激增的維度閾值，從而實(shí)現(xiàn)找到保證分類精度的情況下的最低維度，提高識(shí)別效率。

圖4 降維至最優(yōu)維度與其相鄰維度平均分類精度對(duì)比Fig.4 Comparison of the average classification accuracy of dimensionality reduction to the optimal dimension and its neighboring dimensions

3 結(jié)論

針對(duì)視覺(jué)和操作類任務(wù)，提出了一種自適應(yīng)主成分分析維度尋優(yōu)方法，該方法通過(guò)分析現(xiàn)有實(shí)驗(yàn)數(shù)據(jù)特征通過(guò)主成分分析算法降維后在各個(gè)維度上的分類表現(xiàn)，得到該實(shí)驗(yàn)數(shù)據(jù)集的最優(yōu)降維維度。將該方法應(yīng)用在腦力負(fù)荷識(shí)別中，得到如下結(jié)論。

(1)該方法可以準(zhǔn)確尋優(yōu)得到實(shí)驗(yàn)數(shù)據(jù)集的最佳降維維數(shù)，整個(gè)尋優(yōu)過(guò)程全自動(dòng)無(wú)需用戶交互，應(yīng)用在腦力負(fù)荷識(shí)別上實(shí)現(xiàn)94.960%平均分類準(zhǔn)確率。與未降維數(shù)據(jù)相比，在數(shù)據(jù)維度減小了112維的情況下平均準(zhǔn)確率僅減少了2.397%。因此，提出的基于自適應(yīng)主成分分析維度尋優(yōu)的腦力負(fù)荷識(shí)別可以有效提高腦力負(fù)荷識(shí)別的識(shí)別效率。

(2)將自適應(yīng)主成分分析維度尋優(yōu)方法尋優(yōu)得到的最優(yōu)維度應(yīng)用到同實(shí)驗(yàn)的其他實(shí)驗(yàn)數(shù)據(jù)上進(jìn)行腦力負(fù)荷識(shí)別，發(fā)現(xiàn)由該方法尋優(yōu)得到的最優(yōu)維度可以有效應(yīng)用在同實(shí)驗(yàn)的其他實(shí)驗(yàn)數(shù)據(jù)上，在同實(shí)驗(yàn)其他數(shù)據(jù)的腦力負(fù)荷識(shí)別上實(shí)現(xiàn)94.957%平均分類準(zhǔn)確率。與未降維數(shù)據(jù)相比，在數(shù)據(jù)維度減小了112維的情況下平均準(zhǔn)確率僅減少了2.443%。因此，提出的基于自適應(yīng)主成分分析維度尋優(yōu)的腦力負(fù)荷識(shí)別可得到同實(shí)驗(yàn)數(shù)據(jù)集上通用降維維數(shù)。