一种基于眼动和脑电数据的认知负荷评估方法技术

本发明专利技术提供了一种基于眼动和脑电数据的认知负荷评估方法，基于眼动数据和脑电数据，使用支持向量机算法来计算飞行员的认知负荷，基于眼动和脑电数据进行认知负荷评估和计算，使认知负荷的评估和计算具备实时性，使飞行员及地勤人员可实时了解当前飞行员的认知负荷状态，提升执行飞行任务的效率。本发明专利技术克服了原有主观评测法实时性差的缺点，使认知负荷这一结果可以实时计算并反馈，增强了对飞行员飞行状态的实时监督。

【技术实现步骤摘要】
一种基于眼动和脑电数据的认知负荷评估方法
本专利技术涉及人因工程领域，尤其是一种飞行员的认知负荷计算方法。
技术介绍
面对未来日益复杂飞行的环境，飞行员在执行飞行任务时面临着态势复杂多变、数据实时更新和任务繁重紧迫等困难，为了防止飞行员由于认知负荷过高而产生的态势理解能力下降的现象，需要对飞行员的认知负荷进行评估和计算。目前，评估和计算认知负荷的方法主要是基于问卷和量表的主观评测法，该方法只适用于实验环境，不具备实时评估与计算的功能。
技术实现思路
为了克服现有技术的不足，本专利技术提供一种基于眼动和脑电数据的认知负荷评估方法。本专利技术基于眼动数据和脑电数据，使用支持向量机算法来计算飞行员的认知负荷(认知负荷高/认知负荷低)，基于眼动和脑电数据进行认知负荷评估和计算，使认知负荷的评估和计算具备实时性。因此，本专利技术基于眼动和脑电数据进行飞行员认知负荷的评估和计算，使飞行员及地勤人员可实时了解当前飞行员的认知负荷状态，提升执行飞行任务的效率。本专利技术解决其技术问题所采用的技术方案包括如下步骤：Step1：基于眼动数据计算认知负荷；用于计算认知负荷的眼动数据总共有7个指标，分别是：凝视时长、凝视次数、扫视时长、扫视次数、扫视角度、瞳孔面积和眨眼率7个眼动数据，各眼动数据的具体定义如表1所示：表1各眼动数据解释接下来，需要对7个眼动数据进行归一化，将眼动数据统一到0～1之间，归一化公式如下：其中，i的取值范围为{1,2,3,4,5,6,7}，分别代表以上7个眼动数据；x1i表示各眼动数据的原始值大小；x1min和x1max分别表示各眼动数据原始值的最小值和最大值；将7个眼动数据归一化后，根据支持向量机的决策方程与0的关系来判断认知负荷的高低，基于数据对模型进行训练，训练完成后会得到支持向量机决策方程的两个参数w1和b1，分别为决策方程的权重和决策方程的附加量；得到两个参数w1和b1后，根据决策方程与0的关系即可判断认知负荷的高低，决策方程如下：f(x1)＝w1·x1+b1(2)其中，x1为归一化后的7个眼动数据所构成的向量，通过公式(2)，计算出最终结果，将最终结果与0进行比较，若小于0则为高认知负荷，大于0则为低认知负荷；Step2：基于脑电数据(alpha波)计算认知负荷脑电数据根据脑电波频率的不同可分为5种，分别是Delta、Theta、Alpha、Beta、Gamma波，具体下表3所示：表3脑电数据定义计算认知负荷时，使用alpha波进行计算，每个alpha波数据中共包含m个数据，m个数据来自于大脑m个不同的部位，m个部位的alpha波脑电数据分别用alpha_1～alpha_m表示，对脑电数据进行归一化处理，归一化公式如下：其中，i的取值范围为1-m，分别代表m个alpha波脑电数据；x2i表示各脑电数据的原始值大小；x2min和x2min分别表示各脑电数据原始值的最小值和最大值；将m个脑电数据归一化后，同样根据支持向量机的决策方程与0的关系来判断认知负荷的高低；支持向量机的决策方程如下：f(x2)＝w2·x2+b2(4)其中，x2为归一化后的20个脑电数据所构成的向量，通过公式(4)，计算出最终结果，将最终结果与0进行比较，若小于0则为高认知负荷，大于0则为低认知负荷；Step3：将Step1、Step2计算的2个认知负荷结果进行组合，得到最终结果，结果组合如下公式所示：(1)IF(认知负荷(脑电)＝高)AND(认知负荷(眼动)＝高)THEN(认知负荷＝高)(2)IF(认知负荷(脑电)＝低)AND(认知负荷(眼动)＝低)THEN(认知负荷＝低)(3)IF(认知负荷(脑电)＝高)AND(认知负荷(眼动)＝低)THEN(认知负荷＝低)(4)IF(认知负荷(脑电)＝低)AND(认知负荷(眼动)＝高)THEN(认知负荷＝低)通过上述规则，可计算出最终的认知负荷。所述Step1中，w1和b1的取值分别为：w1＝[-3.948-0.041,0.355,-0.461,1.155,0.998,-3.521]Tb1＝[1.882]T。所述Step1中，各眼动数据原始值的最小值和最大值的取值范围如表2所示：表2眼动指标的最值其中，各眼动数据原始值的最小值为x1min，最大值为x1max。所述Step2中，权重w2和决策方程附加量b2分别为：w2＝[-3.186,-3.186,1.243,8.424,-3.432,-1.122,-2.386,1.913,-1.638,-9.523,9.669,-1.049,-7.967,-6.736,1.684,5.207,-9.564,-1.848,1.580,-1.497]T，b2＝[0.742884]。本专利技术有益效果在于基于眼动和脑电数据进行认知负荷评估与计算，克服了原有方法(主观评测法)实时性差的缺点，使认知负荷这一结果可以实时计算并反馈，增强了对飞行员飞行状态的实时监督。具体实施方式下面结合实施例对本专利技术进一步说明。Step1：基于眼动数据计算认知负荷；用于计算认知负荷的眼动数据总共有7个指标，分别是：凝视时长、凝视次数、扫视时长、扫视次数、扫视角度、瞳孔面积和眨眼率7个眼动数据，各眼动数据的具体定义如表1所示：表1各眼动数据解释接下来，需要对7个眼动数据进行归一化，将眼动数据统一到0～1之间，归一化公式如下：其中，i的取值范围为{1,2,3,4,5,6,7}，分别代表以上7个眼动数据；x1i表示各眼动数据的原始值大小；x1min和x1max分别表示各眼动数据原始值的最小值和最大值；具体如表2所示：表2眼动指标的最值将7个眼动数据归一化后，根据支持向量机的决策方程与0的关系来判断认知负荷的高低。支持向量机是一种数据分类算法，常用于处理具有多维特征的二分类问题。在使用之前需要基于数据对模型进行训练，训练完成后会得到支持向量机决策方程的两个参数w1和b1，分别为决策方程的权重和决策方程的附加量；得到两个参数w1和b1后，根据决策方程与0的关系即可判断认知负荷的高低，决策方程如下：f(x1)＝w1·x1+b1(2)其中，x1为归一化后的7个眼动数据所构成的向量，权重值大小为w1＝[-3.948-0.041,0.355,-0.461,1.155,0.998,-3.521]T，b1＝[1.882]T，通过公式(2)，计算出最终结果，将最终结果与0进行比较，若小于0则为高认知负荷，大于0则为低认知负荷；Step2：基于脑电数据(alpha波)计算认知负荷脑电数据根据脑电波频率的不同可分为5种，分别是Delta、Theta、Alpha、Beta、Gamma波，具体下本文档来自技高网...

【技术保护点】
1.一种基于眼动和脑电数据的认知负荷评估方法，其特征在于包括下述步骤：/nStep1：基于眼动数据计算认知负荷；/n用于计算认知负荷的眼动数据总共有7个指标，分别是：凝视时长、凝视次数、扫视时长、扫视次数、扫视角度、瞳孔面积和眨眼率7个眼动数据，各眼动数据的具体定义如表1所示：/n表1 各眼动数据解释/n

【技术特征摘要】
1.一种基于眼动和脑电数据的认知负荷评估方法，其特征在于包括下述步骤：
Step1：基于眼动数据计算认知负荷；
用于计算认知负荷的眼动数据总共有7个指标，分别是：凝视时长、凝视次数、扫视时长、扫视次数、扫视角度、瞳孔面积和眨眼率7个眼动数据，各眼动数据的具体定义如表1所示：
表1各眼动数据解释



接下来，需要对7个眼动数据进行归一化，将眼动数据统一到0～1之间，归一化公式如下：



其中，i的取值范围为{1,2,3,4,5,6,7}，分别代表以上7个眼动数据；x1i表示各眼动数据的原始值大小；x1min和x1max分别表示各眼动数据原始值的最小值和最大值；
将7个眼动数据归一化后，根据支持向量机的决策方程与0的关系来判断认知负荷的高低，基于数据对模型进行训练，训练完成后会得到支持向量机决策方程的两个参数w1和b1，分别为决策方程的权重和决策方程的附加量；
得到两个参数w1和b1后，根据决策方程与0的关系即可判断认知负荷的高低，决策方程如下：
f(x1)＝w1·x1+b1(2)
其中，x1为归一化后的7个眼动数据所构成的向量，通过公式(2)，计算出最终结果，将最终结果与0进行比较，若小于0则为高认知负荷，大于0则为低认知负荷；
Step2：基于脑电数据(alpha波)计算认知负荷
脑电数据根据脑电波频率的不同可分为5种，分别是Delta、Theta、Alpha、Beta、Gamma波，具体下表3所示：
表3脑电数据定义



计算认知负荷时，使用alpha波进行计算，每个alpha波数据中共包含m个数据，m个数据来自于大脑m个不同的部位，m个部位的alpha波脑电数据分别用alpha_1～alpha_m表示，对脑电数据进行归一化处理，归一化公式如下：



其中，i的取值范围为1-m，分别代表m个alpha波脑电数据；x2i表示各脑电数据的原始值大小；x2min和x2min分别表示各脑电数据原始值的最小值和最大值；将m个脑电数据归一化后，同样根据支持向量机的决策方程与0...

【专利技术属性】
技术研发人员：陈军，张齐琳，薛蕾，佟龑，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61