DOI: https://doi.org/10.1038/s41598-025-34783-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41513809
تاريخ النشر: 2026-01-09
المؤلف: Zahed Nouri وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم هذه القسم إطارًا جديدًا لتصنيف عبء العمل العقلي (MWL) من خلال تحليل إشارات EEG، مع التأكيد على أهميته في مجالات مثل النيورورغونوميكس وتفاعل الإنسان مع الآلة. يتكون النهج متعدد المراحل المقترح من أربع خطوات رئيسية: معالجة إشارات EEG مسبقًا لإزالة الضوضاء، واستخدام تحويل التزامن المتعدد المتغيرات (MSST) لتحليل الوقت والتردد بالتفصيل، واستخراج الميزات العميقة عبر بنية شبكة عصبية تلافيفية (CNN) معززة بوحدة انتباه الوقت والتردد (CNN-TFAN)، وأداء تقليل الأبعاد لأغراض التصنيف.
تم تقييم الإطار على مجموعتين بيانات عامتين، STEW وMAT، محققًا معدلات دقة مثيرة للإعجاب بلغت 97.1% و98.6%، على التوالي، من خلال دمج تحليل التمييز شبه المشرف (SDA) لتقليل الميزات مع تصنيف آلة الدعم (SVM). تشير النتائج إلى أن MSST تفوقت على طرق تحليل الوقت والتردد الأخرى، وأن دمج آلية الانتباه داخل بنية CNN ساهم بشكل كبير في تحسين دقة التصنيف. بشكل عام، تُظهر هذه الدراسة قوة وفعالية المنهجية المقترحة لتحليل عبء العمل العقلي.
مقدمة
تحدد مقدمة ورقة البحث السياق الأساسي وأهمية الدراسة. تبرز الأهداف الرئيسية، والتي تشمل معالجة فجوة معينة في الأدبيات الحالية واقتراح نهج أو منهجية جديدة. يؤكد المؤلفون على أهمية عملهم في تعزيز الفهم داخل هذا المجال، مما قد يؤدي إلى تطبيقات عملية أو تقدم نظري.
تُقدم النتائج أو الفرضيات الرئيسية بإيجاز، مما يمهد الطريق للأقسام التالية من الورقة. كما تؤكد المقدمة على أهمية سؤال البحث، موضحةً تداعياته لكل من الاستفسار الأكاديمي والسيناريوهات الواقعية. بشكل عام، تؤسس هذه القسم مبررًا واضحًا للدراسة وتدعو إلى استكشاف المزيد من الأفكار المقترحة.
النتائج
في هذا القسم، يقدم المؤلفون نتائج تؤكد فعالية طرقهم المقترحة لتصنيف عبء العمل العقلي بناءً على إشارات EEG. تشير النتائج إلى أن الأنظمة المنفذة تظهر قدرة كبيرة على التمييز بدقة بين مستويات عبء العمل العقلي المختلفة، مما يقترح وجود علاقة قوية بين أنماط إشارات EEG والعبء المعرفي. يبرز التحليل إمكانيات هذه الطرق للتطبيقات العملية في مجالات مثل تفاعل الإنسان مع الكمبيوتر وتقييم عبء العمل المعرفي.
المناقشة
في هذا القسم، يناقش المؤلفون أهمية تقييم عبء العمل العقلي (MWL) بدقة من خلال تخطيط الدماغ الكهربائي (EEG) في بيئات عالية المخاطر. يبرزون التحديات المرتبطة بتصنيف MWL باستخدام EEG، بما في ذلك عدم الثبات، والديناميات غير الخطية، والتباين بين الأفراد. غالبًا ما تفشل التقنيات الطيفية التقليدية في التقاط تأثيرات عبء العمل العابر، بينما تتجاهل الطرق الحالية التي تحلل قنوات EEG بشكل منفصل العلاقات المهمة بين القنوات. لمعالجة هذه القضايا، يقترح المؤلفون إطار تصنيف MWL متعدد المراحل يستخدم تحويل التزامن المتعدد المتغيرات (MSST) لتحليل الوقت والتردد بالتفصيل وشبكة عصبية تلافيفية (CNN) معززة بوحدة انتباه الوقت والتردد (CNN-TFAN) لتحسين تعلم الميزات. يهدف هذا النهج إلى تعزيز دقة ووضوح تصنيف MWL مع الحفاظ على الهيكل متعدد القنوات لبيانات EEG.
كما يستعرض المؤلفون الأعمال ذات الصلة، مؤكدين على تطور تقنيات تقييم MWL المعتمدة على EEG ودمج المنهجيات المتقدمة مثل التعلم العميق وآليات الانتباه. يشيرون إلى أنه على الرغم من التقدم الكبير في استخراج الميزات والتصنيف، لا تزال هناك تحديات في تحقيق تعميم موثوق عبر الموضوعات بسبب التباين الفطري في إشارات EEG. تؤكد الورقة على الحاجة إلى أطر قوية يمكنها التعامل بفعالية مع هذه التعقيدات، خاصة في سياق تقييم العبء المعرفي في التطبيقات الواقعية. يتم تقييم الطريقة المقترحة باستخدام مجموعات بيانات متاحة للجمهور، مما يظهر إمكانياتها لتحسين دقة التصنيف وموثوقية اكتشاف MWL.
DOI: https://doi.org/10.1038/s41598-025-34783-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41513809
Publication Date: 2026-01-09
Author(s): Zahed Nouri et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This section presents a novel framework for classifying mental workload (MWL) through the analysis of EEG signals, emphasizing its significance in fields such as neuroergonomics and human-machine interaction. The proposed multi-stage approach consists of four main steps: preprocessing EEG signals to remove noise, utilizing the multivariate synchrosqueezing transform (MSST) for detailed time-frequency analysis, extracting deep features via a convolutional neural network (CNN) architecture enhanced with a time-frequency attention module (CNN-TFAN), and performing dimensionality reduction for classification purposes.
The framework was evaluated on two public datasets, STEW and MAT, achieving impressive accuracy rates of 97.1% and 98.6%, respectively, by combining semisupervised discriminant analysis (SDA) for feature reduction with support vector machine (SVM) classification. The findings indicate that MSST outperformed other time-frequency analysis methods, and the integration of the attention mechanism within the CNN architecture significantly contributed to improved classification accuracy. Overall, this research demonstrates the robustness and effectiveness of the proposed methodology for analyzing mental workload.
Introduction
The introduction of the research paper outlines the foundational context and significance of the study. It highlights the primary objectives, which include addressing a specific gap in the existing literature and proposing a novel approach or methodology. The authors emphasize the relevance of their work in advancing understanding within the field, potentially leading to practical applications or theoretical advancements.
Key findings or hypotheses are briefly introduced, setting the stage for the subsequent sections of the paper. The introduction also underscores the importance of the research question, illustrating its implications for both academic inquiry and real-world scenarios. Overall, this section establishes a clear rationale for the study and invites further exploration of the proposed ideas.
Results
In this section, the authors present findings that validate the effectiveness of their proposed methods for classifying mental workload based on EEG signals. The results indicate that the schemes implemented show a significant ability to accurately differentiate between varying levels of mental workload, suggesting a strong correlation between EEG signal patterns and cognitive load. The analysis highlights the potential of these methods for practical applications in fields such as human-computer interaction and cognitive workload assessment.
Discussion
In this section, the authors discuss the significance of accurately assessing mental workload (MWL) through electroencephalography (EEG) in various high-stakes environments. They highlight the challenges associated with classifying MWL using EEG, including nonstationarity, nonlinear dynamics, and inter-individual variability. Traditional spectral techniques often fail to capture transient workload effects, while existing methods that analyze EEG channels separately overlook important inter-channel relationships. To address these issues, the authors propose a multi-stage MWL classification framework that utilizes the multivariate synchrosqueezing transform (MSST) for detailed time-frequency analysis and a convolutional neural network (CNN) augmented with a time-frequency attention module (CNN-TFAN) for improved feature learning. This approach aims to enhance the resolution and interpretability of MWL classification while maintaining the multichannel structure of EEG data.
The authors also review related works, emphasizing the evolution of EEG-based MWL assessment techniques and the integration of advanced methodologies such as deep learning and attention mechanisms. They note that while significant progress has been made in feature extraction and classification, challenges remain in achieving reliable generalization across subjects due to the inherent variability in EEG signals. The paper underscores the need for robust frameworks that can effectively handle these complexities, particularly in the context of cognitive load assessment in real-world applications. The proposed method is evaluated using publicly available datasets, demonstrating its potential to improve classification accuracy and reliability in MWL detection.