郑展鹏，尹 钟

(上海理工大学 光电信息与计算机工程学院，上海 200093)

现代计算机技术在各种先进指令和自动化系统中有着广泛应用，通常需要人类操作员协作智能机器体共同完成若干安全关键任务。在人机系统中，由于人类认知能力有限，操作员认知工作负荷(Cognitive Workload，CW)的过载会增加事故发生的概率。关于CW的一种定义可表述为[1]：“完成脑力任务需求，所占用操作员的工作记忆容量或资源的比率”。人类有限的工作记忆容量的下降与高CW水平密切相关。尤其在一些安全性要求极高的决策环境中，例如载人航天[2]、医疗和紧急应用[3]、核电站[4]等领域，对CW水平的一种精确评估为实时优化操作员功能状态奠定了基础，进而减少由人类因素造成的事故。

监测CW的方法主要包括自我评估、辅助任务性能和神经生理信号。早期的主观评价方法为NASA-TLX(NASA Task Load Index，NASA-TLX)指标[5]。短期无法得到可信赖的评分，但辅助任务的实施又额外增加了操作员的负担。备受欢迎的神经生理测量主要包括脑电图(Electro Encephalo Gram，EEG)、心电图(Electro Cardio Gram，ECG)[6]等。由于CW变化与大脑皮质活动紧密相连，且EEG具有非平稳性、无侵入性、高分辨性等优点，因此EEG被广泛应用[7]。有研究工作表明，基于单个被试的脑电数据分类可取得较高分类精度[8]。基于不同被试的脑电数据，分类器的性能受到损失[9]，这主要是由于不同被试脑电数据的分布和特征空间不同所导致的。

本文目的是提出一种有效的跨被试、多分类模型，能够适用于多个个体的脑电数据分布。……