Mašininio mokymo algoritmų taikymas įtemto protinio darbo krūvio įvertinimui pagal EEG duomenis

Abstract

Darbe nagrinėjamas įtemptas protinio darbo krūvis, analizuojami jo vertinimo metodai. Didelis protinio darbo krūvis daro žalą žmogaus sveikatai, mažina darbo efektyvumą, didina klaidų skaičių. Todėl įtempto protinio darbo krūvio įvertinimas yra labai svarbus siekiant sumažinti jo neigiamą poveikį. Pati populiariausią neinvazinė techniką, naudojama protinio darbo krūvio įvertinimo tyrimuose, yra elektroencefalografija (EEG), kuri fiksuoja smegenų elektrinį aktyvumą. Darbe analizuojamas elektroencefalografijos procesas, EEG duomenų gavimas bei apžvelgiami įrenginiai, skirti EEG signalų registravimui. Priklausomai nuo tyrimo tikslo, pasirenkamas tam tikras skirtingų tipų EEG kanalų skaičius. Norint įvertinti atskirų smegenų dalių aktyvumą, EEG fiksuojama atliekant tam tikras užduotys arba testus. Darbe atlikta mašininio mokymo algoritmų analizė ir pasirinkti trys iš jų (K–artimiausių kaimynų metodas, sprendimų medis, neuroniniai tinklai) įtempto protinio darbo krūvio vertinimui. Darbe aprašoma pasirinkta laisvai prieinama EEG duomenų bazė bei duomenų paruošimo testavimui procesas. Toliau darbe aprašyta programinė įranga pasirinkta algoritmų testavimui, pateikta algoritmų testavimo modelio schema bei aprašytos jos sudedamos dalys, aprašomas pasirinktų mašininio mokymo metodų testavimas bei gauti algoritmų palyginimo rezultatai, kurie pavaizduoti grafikais ir lentelėmis su paaiškinimais. Darbo gale pateiktos bendrosios išvados ir rezultatai.

The paper examines high mental workload and analyses its assessment methods. High workload damages human health, reduces work efficiency, increases the number of errors. Therefore, the assessment of high workload is very important to reduce its negative effects. The most popular non-invasive technique used in mental workload assessment studies is electroencephalography (EEG), which records the electrical activity of the brain. The paper examines electroencephalography process, EEG data acquisition and reviews the devices for recording EEG signals. Depending on the purpose of the study, a number of different types of EEG channels is selected. To assess the activity of individual parts of the brain, the EEG is recorded during certain tasks or tests. The paper presents analysis of machine learning algorithms and three of them (K-nearest neighbors algorithm, decision tree, neural networks) were selected for the assessment of high mental workload. The paper describes selected freely available EEG database and the process of data preparation for testing. Next, the paper describes the software selected for the algorithm testing, the scheme of the algorithm testing model is presented, and its components are described, also, the testing of selected machine learning methods and the obtained results of comparison of the algorithms are described, which are represented by graphs and tables with explanations. The general conclusions and results are presented at the end of the paper.