基于腦電信號的飛行員認知負荷實時監測評估系統

摘要：對飛行員在執行空戰任務時的認知負荷狀態進行實時監測和評估，對于保障執行任務的安全和高效具有重要作用。本文基于腦電信號（EEG）提出了動態圖卷積-長短時記憶（DGCN-LSTM）網絡認知負荷評估模型，該方法基于動態圖卷積網絡提取腦電的空間拓撲特征，并通過LSTM網絡在時間維度上融合特征在不同時刻的時序信息，最終融合特征信息利用全連接層構建分類器，進行認知負荷狀態的評估。為驗證該算法的可行性，試驗范式通過建立飛行任務仿真平臺模擬多種典型的空戰任務，設置復雜度不同的任務場景以誘發飛行員不同水平的認知負荷狀態，采集被試者腦電信號用于模型訓練與評估。在本文試驗采集的樣本數據集中，該算法在認知負荷分類的準確率達到89.08%，參數量為1.24M，性能優于其他基于支持向量機（SVM）等傳統機器學習、卷積神經網絡（CNN）、循環神經網絡（RNN）、圖卷積神經（GCN）骨干網絡的算法模型，能夠實現飛行員較準確的認知負荷實時監測評估。

關鍵詞：認知負荷評估；腦電信號分析；圖神經網絡；LSTM；實時監測系統

中圖分類號：TN99文獻標識碼：ADOI：10.19452/j.issn1007-5453.2024.11.012

在空戰任務下飛行員認知和情緒狀態的實時檢測和評估對于機載環境的人機功效提升和保障任務執行的安全高效具有重要作用。隨著現代空戰武器的空前發展和飛機自動化程度的提高，執行空戰任務的飛行員在與飛機通過感知、認知、決策、操作進行循環交互時，由于強對抗、高動態的環境和復雜的態勢變化，使得飛行員短時間接收海量信息的沖擊，從而造成工作負荷急劇上升、任務績效下降。

飛行員的認知負荷是指飛行員用于集中注意力、感知情境、合理決策及行動所需的認知資源，即飛行員在單位時間內承受的工作量和處理信息所需的精力總和。飛行員經常會承受較大的工作負荷而導致應激緊張、記憶力下降、反應停滯、失誤增加等情況，對機動決策響應時間造成影響。另外，在巡航工作量較低時期，飛行員處于低喚醒水平，也容易產生疏漏失誤的可能。因此飛行員無論是在超高負荷和超低負荷情況下都容易導致人為錯誤的增加，從而使任務失敗或者任務績效受損。對于空戰來說，評估飛行作戰內容和飛行員認知狀態，對于揭示飛行績效、人因因素和操作動作間的耦合關系，將智能化識別飛行員認知狀態情況與空戰態勢信息提示或決策輔助相結合，對提升作戰效能具有重要意義。

目前國內外對于認知負荷狀態評估的方法可分為主觀評價法與客觀測量法兩類。主觀評價方法主要有身體活動情緒（PAAS）量表[1]、自我情緒評定（SAM）量表[2]、主觀負荷評估（SWAT）量表[3]、美國國家航空航天任務負荷指數（NASA-TLX）量表[4]等。但是在某些任務環境下進行主觀評價還很困難，實施效果受任務環境影響。主觀評價受被試者主觀感受和心理水平的影響程度較大，評價標準難以保持一致。研究表明主觀量表在敏感性、穩定性、抗干擾性和共時效度均有所差異。另外，主觀方法要求被實驗者在任務結束后進行主觀報告，無法做到實時測量。

客觀直接測量方法主要是基于生理指標的認知狀態識別方法，其實施過程具有良好的可重復性，隨著測量技術的發展，生理指標獲取越來越容易，可以為評估提供客觀依據，因此被越來越廣泛地使用。生理指標根據產生機理分為兩大類：與中樞神經系統相關聯的腦電信號（EEG）、眼電信號（EOG）、腦磁圖（EGG）、功能性近紅外光譜（fNIRS）技術測量腦血紅蛋白濃度等指標，以及與周圍神經系統相聯系的皮電信號（EDA）、心電信號（ECG）、呼吸信號、體表溫度、瞳孔直徑等。與主觀評測方法比較，基于生理電信號識別評價飛行員的認知狀態具有很高的實用性和客觀性。張益凡等[5]通過眼動信息對飛行員的注意力狀態進行識別與檢測。

EEG信號能夠直接反映大腦活動狀態，與心理認知狀態直接相關，基于EEG信號的分析目前有很多相關研究工作。通常采用的方法是先將腦電信號進行預處理與特征提取，提取的時域或頻域特征通過傳統機器學習算法，如支持向量機（SVM）[6]、K最近鄰算法（KNN）[7]等對樣本進行分類處理。近年來，基于深度學習算法對腦電信號的分類分析逐漸成為主流方法。Alhagry等[8]利用長短時記憶（LSTM）網絡結構提取EEG信號的時序信息來對情緒狀態進行識別分類。ZhangDalin等[9]通過卷積神經網絡（CNN）對EEG信號的空間信息進行特征提取。盡管這些方法能夠提高分類性能，但它們沒有將時域空域特征相結合進行提取與分類。為解決這一問題，XuGuixun等[10]提出一種門控循環單元-卷積（GRU-Conv）模型提取腦電的時空特征。該模型將原始EEG信號作為輸入，結合CNN與門控循環神經網絡（RNN）結構完成對信號的分類處理。由于腦電信號采集時電極位置具有非歐式性，SongTengfei等[11]提出一種動態圖卷積網絡的方法提取腦電信號的空間拓撲信息。在此基礎上，ZhongPeixiang等[12]提出了正則化圖神經網絡以解決腦電情緒識別中的跨個體差異性問題。但這些工作沒有將空間拓撲特征與時域特征相融合，忽略了認知負荷變化相關的腦電信號的時序相關性。

本文提出基于DGCN-LSTM網絡的EEG信號認知負荷分類算法，利用滑動窗法對不同頻帶信號提取的特征作為網絡輸入，同時對腦電信號的空間拓撲特征和時序信息進行特征提取，用于認知負荷分類。

1EEG信號預處理與特征提取方法

1.1EEG信號預處理

腦電圖是一種使用電生理指標記錄大腦皮質神經活動的方法，廣泛應用于人體心理認知狀態的評估。EEG信號按頻率可被劃分為幾個頻段：（1）delta節律（1～3Hz）主要分布在額葉區域，其所占的能量也會隨著大腦從清醒狀態變為疲勞狀態而增加；（2）theta節律（4～7Hz）會在困倦時出現，與反應的遲緩有關；（3）alpha節律（8～13Hz）在休息時出現在中央區，也會在放松或閉眼時出現，同時與控制減弱有關，也與不同腦區的抑制有關；（4）beta節律（14～30Hz）大部分出現在額葉，幅值較低，在積極思考、注意力集中、焦慮和警覺時出現；（5）gamma節律（31～50Hz）通常與大腦的劇烈活動有關。

腦電信號采集時易受到其他生理電信號如眼電、肌電和心電等偽跡干擾以及工頻信號、周圍環境和電極固有噪聲的影響。眼電偽跡包括眨眼偽跡與眼動偽跡，主要頻率范圍低于4Hz，肌電偽跡主要頻率高于30Hz，心電偽跡由心臟跳動引起，頻率約為1.2Hz。眨眼偽跡是由眨眼造成偶極子電勢差的急劇變化引起的，其中額葉部位腦電信號受到眨眼偽跡的影響最大。眨眼偽跡在腦電圖上的主要表現為窄的尖峰、幅值大，隨著電極位置越靠后，其幅值會逐漸變小，且尖峰的時間范圍也會變寬，是對腦電信息質量影響最大的偽跡類型。因此需要對原始腦電信號進行數據預處理，通過基線校正和濾波降噪的方法降低偽跡和噪聲影響。

為保證樣本數量充足且分布均衡，需要對采集的腦電信號進行滑窗法處理，通過長度為T、重疊率為r的移動滑窗實現樣本擴增，其中窗長和重疊率大小的設置需要進行多次試驗調整，選擇預測效果最佳的數值。圖1所示為EEG信號的預處理流程，首先將腦電信號通過移動滑窗進行數據擴增，而后通過巴特沃斯帶通濾波器和陷波濾波器降低工頻、噪聲和生理電信號高頻偽跡的干擾，并對每個通道數據進行小波分解，計算近似系數序列的尖峰區系數并進行軟閾值處理后重構，最終保留腦電（δθαβγ）主要頻段成分。

1.2EEG信號預處理

腦電信號特征主要包括時域特征、頻域特征、時頻特征以及空間域特征。用于認知負荷狀態評估的常見特征有微分熵（DE）[13]、功率譜密度（PSD）[14]、差異不對稱（DASM）[15]、有理不對稱（RASM）[16]等。

微分熵可以有效平衡各頻率成分之間的貢獻水平，被廣泛應用于認知狀態識別任務中，并表現出良好的性能。微分熵是香農信息熵（Shannonentropy）在有限區間內連續變量的推廣形式，其計算公式如下

式中，p（x）表示連續信號的概率密度函數。對于一段特定長度的近似服從高斯分布p（x）～N（μσ2i）的腦電信號，其DE特征計算公式如下

通過帶通濾波器將各通道原始信號分解成5個頻段（δθαβγ）的信號，通過非重疊滑動窗口將樣本分為若干個子片段，計算各子片段的微分熵特征，最后拼接得到特征張量。

2基于DGCN-LSTM網絡的認知負荷識別算法

本文提出基于DGCN-LSTM模型對腦電進行認知負荷狀態分類，該方法可以實現對腦電信號的空間域及時域的特征提取和信息聚合，整體網絡結構如圖2所示。

2.1基于動態圖卷積網絡的非歐空間信息聚合

腦電模態的連接關系具有不規則的空間結構，屬于非歐式空間信息。由于傳統卷積神經網絡卷積核尺寸固定，因此相較于CNN，腦電信號更適合通過圖卷積神經網絡（GCNN）進行特征聚合。圖結構比柵格結構更能正確體現大腦各區域之間的聯系性，在訓練中將表示節點連接關系的鄰接矩陣作為參數更新，使得模型自動學習到拓撲結構。

在圖理論中，數據信息由多個節點的特征以及不同節點間連接構成的拓撲關系表達G=（NEW），其中N代表圖結構中的節點的集合，在本文中對應EEG各通道信號，E表示為圖結構中連接各節點的邊的集合，W?Rn′n為用于描述兩節點間連接重要性的鄰接矩陣，計算第i個和第j個節點間連接重要性wij的常用方法有距離函數法和K最近鄰（KNN）法。由于大腦活動涉及多個腦區的協同合作，本文中將各通道間的皮爾遜（Pearson）相關系數作為功能連接指標，對所有樣本取均值并歸一化后作為鄰接矩陣的初始值。另外，消極情緒能激活右側額葉、顳葉和頂葉，而積極情緒能激活左側區域，形成了腦電信號的空域特征。為了充分利用這種信息的不對稱性，在鄰接矩陣中添加全局連接。

通過設計有效的譜圖濾波器來學習圖空間結構特征、抽象高維特征得到了廣泛研究。借助圖譜理論實現拓撲圖卷積操作，通過圖的拉普拉斯矩陣特征值和特征矢量研究圖的性質[17]。圖的拉普拉斯矩陣定義為L=D-W?RN′N，其中W為鄰接矩陣，D為一個對角矩陣，各對角元素Dii=Σjwij。由于L是一個實對稱矩陣，可以對L進行正交對角化

L=UΛUT（4）

式中，U為L的特征矢量矩陣，Λ=diag（[λ0…λN-1]）為L的特征值矩陣。根據圖譜理論，拉普拉斯矩陣特征值定義了圖模態的頻率信息，特征矢量構成的矩陣UT構成了圖傅里葉變換（GFT）[18]的變換陣，即圖傅里葉變換與逆變換表達式如下

f?=UTf（5）

f=Uf?（6）

將圖傅里葉變換推廣至圖卷積，根據卷積定理，函數卷積的傅里葉變換是函數傅里葉變換的乘積，即

f?g=F-1{F（f）*F（g）}=F-1{f?*g?}（7）

式中，為卷積運算符，F（×）與F-1（×）分別為傅里葉變換和傅里葉逆變換。因此，對圖上的卷積可以表示為

f?g=U（（UTg）*（UTf））（8）

式中，*為內積運算符。把UTg看作可學習的卷積核gθ，則最終圖上卷積公式為

f?g=UgθUTf（9）

在圖卷積網絡中，卷積核gθ為圖卷積中可學習參數的集合，是圖卷積網絡的核心構成。

但是上述矩陣運算過程計算復雜度過高，特征矢量U的復雜度為O（N2），對于大型圖結構來說，拉普拉斯矩陣特征值分解的計算量很大，需要構建近似方法降低計算復雜度。本文采用圖拉普拉斯算子的切比雪夫（Chebyshev）展開式降低計算復雜度，設置卷積核gθ為特征值矩陣Λ的函數，定義特征矢量矩陣U的對角矩陣的切比雪夫多項式為濾波器[19]，利用低階切比雪夫多項式擬合卷積核降低計算復雜度

式中，K為切比雪夫多項式階數，通過對K的選擇截斷多項

式，獲得對信號x與濾波器gθ圖卷積的結果，表達式為

GCNN網絡由若干個上述圖神經元（圖濾波器）構成，每個圖神經元執行基于切比雪夫多項式擬合圖卷積核的卷積操作，進行不同腦電節點間的信息融合。

本文采用動態圖卷積網絡（DGCN）[10]對于圖結構中各節點鄰接矩陣的學習建立自適應的圖學習機制，在訓練過程中，圖的結構通過動態學習得到而非人為事先設定。設節點之間的成對關系由實對稱矩陣A定義，即A為圖的鄰接矩陣。對于A中的各個元素，定義非負函數Amn=g（xmxn）來表示節點xm和xn之間的連接關系，g（xmxn）通過具有可學習權矢量ω的神經網絡來實現，具體公式如下

式中，激活函數ReLU保證了Amn的非負性。softmax對A的每一行進行規范化。權矢量ω通過最小化以下損失函數來進行參數更新

因此，節點xi和xj之間的距離越大，Aij越小。由于大腦連接結構不是一個完全連通的圖，通過上述損失函數的正則項來控制圖的稀疏性，其中λ≥0為正則化參數。

2.2基于長短時記憶的時序特征提取

腦電信號作為時序信號，具有時間相關性，LSTM[20]廣泛應用于時序信號分類問題，能夠進行時間維度上的特征融合，具有較好的時間信息學習能力。LSTM由門控子網絡構成，分為遺忘門、輸入門和輸出門。針對無用歷史信息的堆積問題，遺忘門對歷史單元狀態中的分量進行選擇性忘記。當前輸入與上一時刻隱層狀態經過sigmoid神經層獲得遺忘系數，再與上一時刻的單元狀態進行內積實現歷史信息的遺忘過程

ft=σ（Wf[ht-1，xt]+bf）（14）

式中，ft為t時刻遺忘門輸出值，σ表示sigmoid激活函數，Wf為遺忘門權重矩陣，ht-1為前一個時間步的隱藏狀態值，xt為當前時間步的輸入，bf為遺忘門的偏置項。

輸入門又稱為記憶門，用來控制是否將當前時刻輸入信息融合到單元狀態。使用tanh函數層將現在的矢量中的有效信息提取出來，然后基于sigmoid函數來控制這些記憶信息進入單元狀態

C't=tanh（Wc[ht-1，xt]+bc）（15）

it=σ（Wi[ht-1，xt]+bi）（16）

Ct=ftCt-1+itC't（17）

式中，C't為候選記憶細胞，用于存儲并更新長期依賴信息的中間值，Ct為當前時間步更新后的記憶細胞。Wc、bc分別為候選記憶細胞的權重矩陣和偏置項。it是輸入門的輸出值，Wi、bi分別為輸入門的權重矩陣和偏置項。

輸出門用于計算當前時刻LSTM網絡輸出值，先將當前輸入與上一時刻隱層狀態經過sigmoid神經層獲得輸出系數，然后將當前單元狀態經過tanh函數映射至特征區間（-1，"1）中，最后將兩者內積獲得輸出特征值

ot=σ（Wo[ht-1，xt]+bo）（18）

ht=ottanh（Ct）（19）

本文基于圖卷積網絡提取腦電的空間拓撲特征，并通過LSTM網絡在時間維度上融合特征在不同時刻的動態變化信息，將最終特征傳送至全連接層構建分類頭，進行認知負荷狀態分類。

3認知負荷監測系統設計與試驗驗證

3.1認知負荷評估的試驗范式設計與數據采集

為激發飛行員不同的認知負荷狀態，本文通過建立飛行任務仿真平臺模擬多種典型的空戰任務，通過設置復雜度不同的任務場景以激發飛行員不同水平的認知負荷狀態，見表1，在本文試驗范式設計中，將平穩飛行、頻繁起降和戰斗空戰場景作為激發飛行員低、中、高三種負荷狀態的任務場景，試驗過程中采集多位飛行員被試的腦電信號，并同步記錄三種不同難度任務場景的切換時間戳，方便后續數據標注。每次任務執行完畢后，被試飛行員須立即填寫NASA-TLX量表和SAM量表，盡可能準確地回憶任務執行過程中的負荷狀態和情緒狀態。量表結果可以幫助了解飛行員在任務過程中的主觀感受，并作為判斷認知負荷和情緒狀態的輔助依據。

圖3所示為認知負荷狀態評估試驗的環境搭建示意圖，該系統由腦電信號采集設備、飛行任務仿真平臺、視頻采集設備及時間戳同步記錄4部分構成。飛行員被試的腦電信號采集設備采用BCIpro32導放大器，采用濕式腦電帽（CM-HG01-2074），電極位置遵循10-20國際系統標準[21]，采樣率設置為1000Hz。通過搖桿、節流閥和腳舵等操縱設備搭建飛行任務仿真平臺，以模擬飛行員在不同負荷下的飛行任務場景。同時，視頻采集設備對飛行員被試執行模擬飛行任務采集腦電信號的全過程進行錄制，并同步記錄關鍵事件發生時間戳，以此作為腦電信號的分類依據用于后續算法訓練與評估。

為驗證本文提出的算法對飛行員認知負荷狀態的評估效果，基于該試驗范式采集了6名不同飛行員在完成低、中、高負荷飛行任務試驗的腦電信號，平均每個被試進行10余組試驗，共收集到210段腦電數據，每段信號時長約為5min。本文數據集采集中選取了32個通道的腦電數據，分別為1～8號（F8，FC2，FC6，C4，T8，CP2，CP6，PO4）、9～16號（F7，FC5，FC1，T7，C3，CP5，CP1，PO3）、17～24號（FP1，FP2，AF3，AF4，F3，FZ，F4，CZ）、25～32號（P7，P3，PZ，P4，P8，O1，OZ，O2）。這些通道覆蓋了全腦所有區域，并呈左右對稱狀態。

3.2認知負荷識別算法的試驗驗證與結果分析

為驗證本文提出的認知負荷識別算法的可行性，本文基于試驗范式所采集到的數據樣本對算法進行訓練和驗證。本文認知負荷識別算法基于Pytorch框架設計完成，下面將從損失函數、訓練優化器超參數設置兩方面并結合模型評價方法對算法驗證試驗進行介紹與結果分析。

損失函數由于受試者在飛行任務中不一定產生預期的負荷，對標簽給定造成了一定的困難。在機器學習中一個樣本的類標簽通常是確定的，如0或1或2。對此，本文學習了一個類的先驗概率分布，其中ε定義為一個控制噪聲的超參數，本文試驗中設置為0.15。

然后利用KL散度作為損失函數衡量類的先驗概率分布和模型輸出的概率分布之間的相似性，計算公式如下

此外，由于多次重復試驗，飛行員對于戰斗場景逐漸熟悉，導致高負荷樣本數量明顯少于低/中負荷樣本數量。為減小樣本不平衡對模型訓練造成的影響，本文中根據低/中/高樣本數計算得到標簽類別權重比值大小，計算加權損失函數，以緩解樣本不平衡的問題。

本文選用Adam自適應優化器進行算法訓練，通過調整學習率和權重衰減率使目標函數快速收斂。模型主要超參數設計見表2，包括樣本數據預處理、DGCN、LSTM以及訓練部分。

試驗中，將基于傳統機器學習算法、圖卷積神經網絡、CNN、LSTM的現有算法與本文提出的模型在數據集上進行訓練，并對各算法的識別精度進行對比，對比結果見表3。

由對比試驗結果可以看出，本文提出的基于GCNLSTM模型相比于其他算法，在自采EEG數據集上對工作負荷的分類效果更好，平均準確率為89.08%，訓練損失函數收斂曲線和準確率曲線如圖4所示。

本文還對比了使用不同腦電特征對模型分類效果的影響。表4所示為EEG提取不同特征的模型分類效果的對比。

由不同特征的對比結果可以看出，微分熵和功率譜密度特征在工作負荷分類任務中具有較好性能。圖5分別展示了低、中、高負荷場景下不同頻帶的腦電功率密度分布圖。

針對于不同的超參數設定，如數據增強中使用的腦電信號的滑窗大小及重疊率也會對模型分類效果產生影響。本文選取了不同窗長和重疊率參數分別對模型進行訓練，測試結果見表5。

本文對比了不同層數下模型的參數量大小與在訓練集和測試集上的識別準確率大小，試驗結果見表6。

由上述試驗結果可以看出，在本文識別任務場景下，采用75%重疊率的4s滑動窗進行腦電處理時模型分類效果較好。模型大小同樣會對識別準確率產生影響，考慮到飛行員工作負荷評估對實時性具有較高要求，本文模型參數量為1.24M，模型在IntelCorei5CPU上平均推理時間為0.2s，能夠實現在線實時識別[21]。

4結論

本文針對空戰任務中飛行員認知負荷狀態的實時監測與評估需求，提出了一種DGCN-LSTM算法。首先通過對腦電信號在不同頻帶內微分熵計算提取頻域特征，并在空域和時域內對特征進一步融合提取，最終得到基于腦電信號的飛行員認知負荷狀態的評估結果。通過試驗驗證，得出結論如下：

（1）通過滑動窗對樣本進行數據擴增，通過計算腦電信號在不同頻帶內的特征作為模型輸入，可有效降低輸入樣本維度，減小模型參數量和FLOPs大小，提高評估效率和模型泛化能力。

（2）分別對基于傳統機器學習、GCNN、CNN、LSTM為骨干網絡的算法與本文算法在同一數據集上進行訓練和測試，試驗結果表明，DGCN-LSTM算法在認知狀態分類上具有較高性能，能夠較準確地評估不同飛行任務下飛行員的工作負荷狀態。

（3）在腦電信號預處理中，提取特征不同，滑動窗窗長與重疊率的設置不同，都會對模型的識別準確率產生影響。通過試驗對比，提取微分熵和功率譜密度特征在工作負荷分類任務中具有較好性能。

未來研究可通過模型輕量化部署在終端，實現飛行員認知負荷狀態在線評估，對高負荷實施告警干預，并為有無人協同交互決策提供有效依據[22]，形成閉環系統，提高飛行員執行任務的安全性與可靠性。

參考文獻

［1］LoxCL，JacksonS，TuholskiSW，etal.Revisitingthemeasurementofexercise-inducedfeelingstates：Thephysicalactivityaffectscale（PAAS）[J].MeasurementinPhysicalEducationandExerciseScience，2000，4（2）：79-95.

［2］BradleyMM，LangPJ.Measuringemotion：theselfassessmentmanikinandthesemanticdifferential[J].JournalofBehaviorTherapyandExperimentalPsychiatry，1994，25（1）：49-59.

［3］ReidGB，NygrenTE.Thesubjectiveworkloadassessmenttechnique：Ascalingprocedureformeasuringmentalworkload[J].AdvancesinPsychology，1988，52：185-218.

［4］HartSG.NASA-taskloadindex（NASA-TLX）：20yearslater[C]//ProceedingsoftheHumanFactorsandErgonomicsSocietyAnnualMeeting，2006.

［5］張益凡，王宇超，張琴喻，等.基于眼動指標的飛行員注意狀態識別可行性研究[J].航空科學技術，2022，33（4）：39-46.

ZhangYifan，WangYuchao，ZhangQinyu，etal.Feasibilitystudyofpilotattentionstaterecognitiononeyemovementindicators[J].AeronauticalScienceamp;Technology，2022，33（4）：39-46.（inChinese）

［6］WangXiaowei，NieDan，LuBaoliang.EEG-basedemotionrecognitionusingfrequencydomainfeaturesandsupportvectormachines[C].18thInternationalConferenceICONIP2011，2011.

［7］BahariF，JanghorbaniA.EEG-basedemotionrecognitionusingrecurrenceplotanalysisandKnearestneighborclassifier[C].201320thIranianConferenceonBiomedicalEngineering（ICBME），2013：228-233.

［8］AlhagryS，FahmyAA，El-KhoribiRA.EmotionrecognitionbasedonEEGusingLSTMrecurrentneuralnetwork[J].InternationalJournalofAdvancedComputerScienceandApplications，2017，8（10）：355-358.

［9］ZhangDalin，YaoLina，ZhangXiang，etal.CascadeandparallelconvolutionalrecurrentneuralnetworksonEEG-basedintentionrecognitionforbraincomputerinterface[C]//ProceedingsoftheAAAIConferenceonArtificialIntelligence，2018.

［10］XuGuixun，GuoWenhui，WangYanjing.Subject-independentEEGemotionrecognitionwithhybridspatio-temporalGRUConvarchitecture[J].Medicalamp;BiologicalEngineeringamp;Computing，2023，61（1）：61-73.

［11］SongTengfei，ZhengWenming，SongPeng，etal.EEGemotionrecognitionusingdynamicalgraphconvolutionalneuralnetworks[J].IEEETransactionsonAffectiveComputing，2018，11（3）：532-541.

［12］ZhongPeixiang，WangDi，MiaoChunyang.EEG-basedemotionrecognitionusingregularizedgraphneuralnetworks[J].IEEETransactionsonAffectiveComputing，2020，13（3）：1290-1301.

［13］DuanRuonan，ZhuJiayi，LuBaoliang.DifferentialentropyfeatureforEEG-basedemotionclassification[C].20136thInternationalIEEE/EMBSConferenceonNeuralEngineering（NER），2013：81-84.

［14］AlsolamyM，FattouhA.EmotionestimationfromEEGsignalsduringlisteningtoQuranusingPSDfeatures[C].20167thInternationalConferenceonComputerScienceandInformationTechnology（CSIT），2016：1-5.

［15］LiuYisi，SourinaO.Real-timefractal-basedvalencelevelrecognitionfromEEG[C].TransactionsonComputationalScienceXVIII：SpecialIssueonCyberworlds，2013：101-120.

［16］LinYuanpin，WangChihong，JungTZYYPING，etal.EEGbasedemotionrecognitioninmusiclistening[J].IEEETransactionsonBiomedicalEngineering，2010，57（7）：1798-1806.

［17］ShumanDI，NarangSK，FrossardP，etal.Theemergingfieldofsignalprocessingongraphs：Extendinghigh-dimensionaldataanalysistonetworksandotherirregulardomains[J].IEEESignalProcessingMagazine，2013，30（3）：83-98.

［18］ZhengWeilong，LuBaoliang.InvestigatingcriticalfrequencybandsandchannelsforEEG-basedemotionrecognitionwithdeepneuralnetworks[J].IEEETransactionsonAutonomousMentalDevelopment，2015，7（3）：162-175.

［19］DefferrardM，BressonX，VandergheynstP.Convolutionalneuralnetworksongraphswithfastlocalizedspectralfiltering[C].AdvancesinNeuralInformationProcessingSystems，2016.

［20］HochreiterS，SchmidhuberJ.Longshort-termmemory[J].NeuralComputation，1997，9（8）：1735-1780.

［21］HerwigU，SatrapiP，Sch?nfeldt-LecuonaC.Usingtheinternational10-20EEGsystemforpositioningoftranscranialmagneticstimulation[J].BrainTopography，2003，16：95-99.

［22］學喆，張岳，陳軍.無人-有人機混合主動式交互決策研究[J].航空科學技術，2022，33（5）：44-52.

XueZhe，ZhangYue，ChenJun.Researchonactivedecisionmakinginhybridunmanned-mannedinteraction[J].AeronauticalScienceamp;Technology，2022，33（5）：44-52.（inChinese）