一种持续性注意水平的敏感性特征指标的选取方法技术

本发明专利技术公开了一种持续性注意水平的敏感性特征指标的选取方法。该方法包括：通过多个电极采集脑电信号，记录与所述脑电信号对应的反应时间参数，并采集主观疲劳测评数据和行为绩效测评数据；根据采集到的脑电信号计算得到脑电熵值参数；根据所述脑电熵值参数，采用Kruskal-Wallis检验方法与Relief算法，分别选取敏感于不同持续性注意水平的指标集合；将得到的两个指标集合的交集G作为持续性注意水平的敏感性特征指标。通过使用本发明专利技术所提供的持续性注意水平的敏感性特征指标的选取方法，可以实现敏感于动车司机的持续性注意水平脑电特征指标的选取。

A method for selecting the sensitive index of durative attention level

The invention discloses a method for selecting a sensitive characteristic index of sustained attention level. The method comprises: a plurality of electrodes through the acquisition of EEG signals, the reaction time and the corresponding record the EEG parameters and subjective fatigue assessment and data acquisition performance evaluation data; according to the EEG signal acquisition to calculate the entropy of EEG parameters; according to the EEG entropy parameters, using Kruskal-Wallis test method with the Relief algorithm, were sensitive to different sustained attention set level indicators; set two indicators from the intersection of G as the sustained attention sensitivity characteristic index level. By using the method of selecting the characteristic index of the sustained attention level, the utility model can realize the selection of the continuous attention level EEG characteristic index which is sensitive to the driver of the motor vehicle.

【技术实现步骤摘要】
一种持续性注意水平的敏感性特征指标的选取方法
本专利技术涉及应激检测技术，特别涉及一种持续性注意水平的敏感性特征指标的选取方法。
技术介绍
与常规列车操作方式相比，在动车中的采用了列车自动控制系统(ATC)，使得动车司机的作业方式由传统的列车操纵型转变为对动车实时运行控制信息、车辆状态信息、运行环境信息的高负荷、长时间地持续监控。因此，动车司机的持续性注意水平成为影响司机作业可靠性的关键因素。选取高敏感于持续性注意水平的脑电特征参数，为动车司机的持续性注意水平进行测评及识别提供量化指标，对于保障动车运行安全是十分必要与迫切的。目前，国内外就铁路司机的研究主要针对于疲劳，而对持续性注意水平的研究则较为鲜见。在现有技术中，研究人员已经采用人眼持续闭合时间比率(PERCLOS)和人眼平均闭合速度(AECS)作为测评指标对司机疲劳进行研究，研究结果表明：持续闭合时间比率越大，人眼平均闭合速度越低，则司机的疲劳程度越大，并在此基础上开发了司机疲劳监测系统。研究人员还基于类似的3项眼动指标，提出一种基于贝叶斯网络信息融合的机车司机驾驶疲劳监测系统。研究人员还用机车司机驾驶状态监测视频文件，通过对机车司机的姿态(规定手势的完成状态)来判定司机的疲劳水平。研究人员还利用脑电信号(EEG)和心电信号(EOG)研究了司机睡眠剥夺与持续性注意间的关系，结果表明：睡眠时间的减少，疲劳程度的增加，将导致司机持续性注意的大幅下。研究人员的研究也再次证明了脑电信号作为直接反应大脑活动的神经生理信号，与司机的当前精神状态具有高度相关性，当大脑处于较高唤醒水平时，脑电信息熵越大，相反当大脑处于较低唤醒水平时，脑电信息熵越小。脑电信号作为一种神经电信号与大脑活动状态相关，能够有效反映驾驶员精神状态。因此，亟待研究和提出一种持续性注意水平的敏感性特征指标的选取方法，从而为动车司机持续性注意水平的量化测评及后期持续性注意水平识别模型构建提供依据。
技术实现思路
有鉴于此，本专利技术提供一种持续性注意水平的敏感性特征指标的选取方法，从而实现了敏感于动车司机的持续性注意水平脑电特征指标的选取。本专利技术的技术方案具体是这样实现的：一种持续性注意水平的敏感性特征指标的选取方法，该方法包括：通过多个电极采集脑电信号，记录与所述脑电信号对应的反应时间参数，并采集主观疲劳测评数据和行为绩效测评数据；根据采集到的脑电信号计算得到脑电熵值参数；根据所述脑电熵值参数，采用Kruskal-Wallis检验方法与Relief算法，分别选取敏感于不同持续性注意水平的指标集合；将得到的两个指标集合的交集G作为持续性注意水平的敏感性特征指标。较佳的，所述根据采集到的脑电信号计算得到脑电熵值参数包括：将采集到的脑电信号划分成多个时间长度为k分钟的分析单元，对每个分析单元的脑电信号以0～35Hz的带宽进行整体滤波处理；对每个分析单元的脑电信号，以预设步长为时间窗从左到右逐段滑动，并以预设的时间窗重叠率将一个分析单元的脑电信号分割成多个时间窗信号；将每一个时间窗信号内乘于等长度的汉明窗，得到中间变量f[n]；对f[n]进行快速傅里叶变换，得到脑电信号在频域的幅值分布f(k)；从幅值分布f(k)中分别提取预设频段的平均幅值；对于每一个分析单元的脑电信号，当时间窗从前至后逐段滑动时，得各个预设频段各自的幅值序列；对于各频段的幅值序列，去除正负3倍标准差外的异常数据后，得到长度都为L的各频段幅值序列集合；根据各频段的幅值序列集合，计算得到各频段的样本熵、近似熵和香农熵，作为分析单元的脑电信号的脑电熵值参数。较佳的，所述k的值为1；所述预设步长为2秒；所述时间窗重叠率为50％。较佳的，所述幅值分布f(k)为：其中，WN＝cos(2π/N)-jsin(2π/N)。较佳的，所述预设频段为θ、α和β频段；所述θ频段为4～8Hz，α频段为8～13Hz，β频段为13～30Hz。较佳的，所述根据各频段的幅值序列集合，计算得到各频段的样本熵、近似熵和香农熵包括：步骤31，对于每一个频段，将该频段的幅值序列由一维向量构造成m维向量Ym(i)；步骤32，计算任意两向量对应元素之间的绝对差d，将其中最大的绝对差dmax作为两向量间的距离；步骤33，根据预设阈值r，对每个向量Ym(i)统计dmax≤r×SD的数目，并计算得到该数目与距离总数(L-m+1)的比值其中，SD为幅值序列的标准差；步骤34，将取对数，根据如下的公式计算得到其均值Bm(r)：步骤35，将该频段的幅值序列由原来的一维向量构造成m+1维向量，根据上述步骤31～35得到Bm+1(r)；步骤36，将Bm(r)和Bm+1(r)代入如下的公式中，计算得到该频段的样本熵SampEn和近似熵ApEn：SampEn(m,r)＝-ln[Bm(r)/Bm+1(r)]；ApEn(m,r)＝Bm(r)-Bm+1(r)；步骤37，对原有幅值序列按升序排列，其中每个元素所出现的概率分布为{p1,p2,...,pj}，代入如下的公式中，得到该频段的香农熵H(p)：步骤38，对各个频段均按照上述步骤31～37得到各个频段的样本熵、近似熵与香农熵，将所得到的样本熵、近似熵和香农熵作为分析单元的脑电信号的脑电熵值参数。较佳的，所述采用Kruskal-Wallis检验方法选取敏感于不同持续性注意水平的指标集合包括：将所述脑电熵值参数组成样本组集合其中表示第k组样本中第t个参数，将样本组集合中的各样本组进行混合并按升序排列；求取各变量的秩，构造统计量H：其中，n为样本组数；Q为参数样本的总量；Rk为第k组的样本中的秩总和；nk为第k组的样本量；在给定的显著性水平α下，计算统计量H的p值；若p＞α，则接受原假设，表明各组脑电熵值参数样本无显著差异；若p＜α，则拒绝原假设，表明各组脑电熵值参数样本之间存在显著差异；选取差异性最为显著的h项脑电熵值参数作为持续性注意水平敏感性指标，即指标集合Z＝{z1,z2,...,zh}。较佳的，所述采用Relief算法选取敏感于不同持续性注意水平的指标集合包括：将所述脑电熵值参数组成样本集合其中任意两个样本xi与xj在脑电熵值参数r(1≤r≤9q)上的差为：其中，xmax与xmin为脑电熵值参数r(1≤r≤9q)在样本集合X中的最大值与最小值；从所述样本集合X中随机抽取一个样本xk，对与xk同类及异类的样本，均根据D值按升序排序，并分别选取前z个样本，用M(k)表示与xk同类的z个样本组成的集合，用M(c)表示与xk异类且属于c类的z个样本组成的集合；使用如下的公式更新脑电熵值参数r的权重wr：其中，wr(i)表示第i(1＜i≤N)次迭代脑电熵值参数r的权重；p(·)为所属类型的样本个数在样本总数所占的比率；N为迭代次数；经过N次迭代之后，求取各个脑电熵值参数相应权重的均值，选取其中权重最大的h项脑电熵值参数作为持续性注意水平敏感性指标，即指标集合Z'＝{z1',z'2,...,z'h}。如上可见，在本专利技术中的持续性注意水平的敏感性特征指标的选取方法中，由于先通过多个电极采集脑电信号，记录与所述脑电信号对应的反应时间参数，并采集主观疲劳测评数据和行为绩效测评数据；根据采集到的脑电信号计算得到脑电熵值参数，然后采用Kruskal-Wallis检本文档来自技高网...

【技术保护点】
一种持续性注意水平的敏感性特征指标的选取方法，其特征在于，该方法包括：通过多个电极采集脑电信号，记录与所述脑电信号对应的反应时间参数，并采集主观疲劳测评数据和行为绩效测评数据；根据采集到的脑电信号计算得到脑电熵值参数；根据所述脑电熵值参数，采用Kruskal‑Wallis检验方法与Relief算法，分别选取敏感于不同持续性注意水平的指标集合；将得到的两个指标集合的交集G作为持续性注意水平的敏感性特征指标。

【技术特征摘要】
1.一种持续性注意水平的敏感性特征指标的选取方法，其特征在于，该方法包括：通过多个电极采集脑电信号，记录与所述脑电信号对应的反应时间参数，并采集主观疲劳测评数据和行为绩效测评数据；根据采集到的脑电信号计算得到脑电熵值参数；根据所述脑电熵值参数，采用Kruskal-Wallis检验方法与Relief算法，分别选取敏感于不同持续性注意水平的指标集合；将得到的两个指标集合的交集G作为持续性注意水平的敏感性特征指标。2.根据权利要求1所述的方法，其特征在于，所述根据采集到的脑电信号计算得到脑电熵值参数包括：将采集到的脑电信号划分成多个时间长度为k分钟的分析单元，对每个分析单元的脑电信号以0～35Hz的带宽进行整体滤波处理；对每个分析单元的脑电信号，以预设步长为时间窗从左到右逐段滑动，并以预设的时间窗重叠率将一个分析单元的脑电信号分割成多个时间窗信号；将每一个时间窗信号内乘于等长度的汉明窗，得到中间变量f[n]；对f[n]进行快速傅里叶变换，得到脑电信号在频域的幅值分布f(k)；从幅值分布f(k)中分别提取预设频段的平均幅值；对于每一个分析单元的脑电信号，当时间窗从前至后逐段滑动时，得各个预设频段各自的幅值序列；对于各频段的幅值序列，去除正负3倍标准差外的异常数据后，得到长度都为L的各频段幅值序列集合；根据各频段的幅值序列集合，计算得到各频段的样本熵、近似熵和香农熵，作为分析单元的脑电信号的脑电熵值参数。3.根据权利要求2所述的方法，其特征在于：所述k的值为1；所述预设步长为2秒；所述时间窗重叠率为50％。4.根据权利要求2所述的方法，其特征在于：所述幅值分布f(k)为：其中，WN＝cos(2π/N)-jsin(2π/N)。5.根据权利要求4所述的方法，其特征在于：所述预设频段为θ、α和β频段；所述θ频段为4～8Hz，α频段为8～13Hz，β频段为13～30Hz。6.根据权利要求5所述的方法，其特征在于，所述根据各频段的幅值序列集合，计算得到各频段的样本熵、近似熵和香农熵包括：步骤31，对于每一个频段，将该频段的幅值序列由一维向量构造成m维向量Ym(i)；步骤32，计算任意两向量对应元素之间的绝对差d，将其中最大的绝对差dmax作为两向量间的距离；步骤33，根据预设阈值r，对每个向量Ym(i)统计dmax≤r×SD的数目，并计算得到该数目与距离总数(L-m+1)的比值其中，SD为幅值序列的标准差；步骤34，将取对数，根据如下的公式计算得到其均值Bm(r)：步骤35，将该频段的幅值序列由原来的一维向量构造成m+1维向量，根据上述步骤31～35得到Bm+1(r)；步骤36，将Bm(r)和Bm+1(r)代入如下的公式中，计算得到该频段的样本熵...

【专利技术属性】
技术研发人员：张骏，郭孜政，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川,51