一种基于多生理参数的脑力负荷预测方法和系统技术方案

本发明专利技术涉及一种基于多生理参数的脑力负荷预测方法和系统。所述方法包括下列步骤：S1.多模态生理数据数据处理及特征集构建；S2.基于熵判据的最优重要度特征子集选择；S3.基于支持向量回归的回归预测模型构建；S4.使用回归预测模型对高铁调度员进行脑力负荷监测。本发明专利技术采集操作者在应急场景处理过程中的多模态生理数据并加以处理，提出了一种基于熵判据的特征选择方法。结果表明，与原始特征集相比，本发明专利技术经过特征选择的数据集在SVR模型的回归预测中取得了更好的性能。预测中取得了更好的性能。预测中取得了更好的性能。

【技术实现步骤摘要】
一种基于多生理参数的脑力负荷预测方法和系统


[0001]本专利技术涉及人因工程
，尤其涉及一种面对高铁调度员的基于多生理参数的脑力负荷预测方法和系统。

技术介绍

[0002]工作负荷是一个涉及到工作要求、能力水平、任务难度、时间压力和努力程度等因素的多维概念。目前，常用的工作负荷评价方法有主观评价法、任务分析法、生理测量法和复杂性分析法等。例如，利用主观评价法(NASA—TXL量表法)将工作负荷的影响因素归类，并赋予相应的权重，加权求得工作负荷。生理测评法的指标按照所涉及的生理器官功能分为三大类,分别是与大脑、心脏以及眼睛相关的生理指标。在驾驶员精神负荷的研究过程中，用FMRI和FNIRS相关技术获取驾驶员在相对狭窄的交通道路中大脑生理活动数据，证明脑血流量是有效评价大脑精神负荷的生理指标。在研究飞行员的驾驶任务中发现，飞行员的精神负荷伴随着飞行任务量的增加而随之增大，但其心率变异性功率谱密度中LF频率值也随之降低。通过生理仪采集的心电和脑电数据构建驾驶过程中驾驶负荷预测模型，并可以用来监测人机交互的实际使用效果。模拟驾驶游戏实验的结果也表明，在不同的精神负荷水平下被测试者的注视点分布模式存在显著差异，随着精神负荷的不断增加，注视点的集中区域会有所缩小。
[0003]现有技术CN102725889B公开了一种脑力负荷检测方法，提取脑电信号的线性特征参数和非线性特征参数，提取大脑近红外光谱信号中的血氧饱和度指数，采用支持向量机回归或人工神经网络建立脑力负荷检测模型。现有技术CN 111839506B公开了一种脑力负荷检测方法及装置，获取待测对象的生理信号，将所述生理信号输入至预设的时间卷积网络模型，根据所述时间卷积网络模型的输出结果，获取待测对象的脑力负荷类型。现有技术CN113576481A公开了一种脑力负荷评估方法、装置、设备、介质，获取被测者的脑电信号和心电信号，然后对脑电信号进行特征提取，得到PSD特征，对心电信号进行特征提取，得到HR特征和HRV特征，最后以脑电信号、PSD特征、HR特征和HRV特征作为模型输入，利用评估模型得到被测者的脑力负荷类别。现有技术CN112256123A公开了基于脑负荷的操控工效分析方法、设备及系统，获取操控选手操控目标对象执行目标任务产生的操控行为数据和生理信息数据；根据所述操控行为数据和所述生理信息数据，确定与脑负荷评价指标对应的第二生理特征向量的向量值；所述第二生理特征向量包括影响所述脑负荷评价指标的多个第二生理特征；将所述第二生理特征向量的向量值输入预置的脑负荷识别模型，获得所述操控选手对于所述脑负荷评价指标的评分。
[0004]现有的基于生理数据的脑力负荷研究，多集中在汽车驾驶、航空航天等领域。与二者相比，铁路领域受限于生理数据采集设备的侵入性，有关研究尚有深入的空间。上述现有技术方案中，对脑力负荷的评价多以类别方式呈现；生理数据的来源也集中于一项或几项生理指标。本专利技术利用回归算法，将脑力负荷的评估预测结果表达为量化数值的形式，直观的显示处脑力负荷的水平；本专利技术采用的多生理参数同时包含脑电、心电和眼动三类生理
数据，能够支撑构建充分包含高相关度特征指标的数据集，提高机器学习模型的精确性。本专利技术基于高铁调度仿真平台，对调度员在应急处置过程中的生理数据进行采集，通过构建生理数据与脑力负荷的相关性模型，实现对调度员脑力负荷的检测和监测。
[0005]如何克服上述现有技术方案的不足, 能够进行高铁调度员在应急场景下脑力负荷的预测，使工作负荷的评估和计算具备客观性，帮助考核和监督人员更好地了解和掌握高铁调度在岗人员的从业素质与工作能力，提高调度指挥工作的安全性和可靠性，成为本
亟待解决的课题。

技术实现思路

[0006]为克服上述现有技术的不足，本专利技术提供了一种基于多生理参数的脑力负荷预测方法和系统，具体采用如下技术方案。
[0007]一种基于多生理参数的脑力负荷预测方法，所述方法包括下列步骤：S1.获取被测人员的多生理参数，将每一生理参数分别输入至预设的信号处理及特征提取算法；并输出所述多生理参数对应的特征向量，并且，获取所述多生理参数样本和每个多生理参数样本对应的脑力负荷值，将每个多生理参数样本对应的生理参数和脑力负荷值的组合作为一个训练样本，从而得到训练样本集合；S2.基于熵判据的最优重要度特征子集选择，将所述多生理参数输入至预设的熵判据算法，根据所述训练样本集合计算各特征向量的熵判据值，若所述熵判据值大于零，则对应的特征向量保留下来，更新所述训练样本集合；S3.构建基于支持向量回归的回归预测模型，利用所述训练样本集合对所述回归预测模型进行训练；S4.将所述特征向量输入至所述所述回归预测模型，输出特征向量对应的回归数值，根据所述回归数值获取被测人员的脑力负荷数值，对被测人员进行脑力负荷监测。
[0008]一种采用如上述所述基于多生理参数的脑力负荷预测方法的基于多生理参数的脑力负荷预测系统，所述系统包括下列部分：数据采集处理模块，用于获取被测人员的多生理参数，将每一生理参数分别输入至预设的信号处理及特征提取算法；并输出所述多生理参数对应的特征向量，并且，获取所述多生理参数样本和每个多生理参数样本对应的脑力负荷值，将每个多生理参数样本对应的生理参数和脑力负荷值的组合作为一个训练样本，从而得到训练样本集合；特征选择模块，基于熵判据的最优重要度特征子集选择，将所述多生理参数输入至预设的熵判据算法，根据所述训练样本集合计算各特征向量的熵判据值，若所述熵判据值大于零，则对应的特征向量保留下来，更新所述训练样本集合；模型构建模块，用于构建基于支持向量回归的回归预测模型，利用所述训练样本集合对所述回归预测模型进行训练；监测模块，用于将所述特征向量输入至所述所述回归预测模型，输出特征向量对应的回归数值，根据所述回归数值获取被测人员的脑力负荷数值，对被测人员进行脑力负荷监测。
[0009]本专利技术提供的技术方案的有益效果是：采用多种生理信号特征提取方法，综合运用信号处理理论及数学方法，针对脑电、心电和眼动三类生理信号，构建了三条独立的信号
处理及特征提取通道，能够良好地适应多模态生理参数各自的数据特征；基于熵判据的特征选择过程剔除无效特征，有效提高了支持向量回归模型的回归预测性能。
附图说明
[0010]图1为本专利技术基于多生理参数的脑力负荷预测方法的流程图。
[0011]图2为本专利技术采用基于熵判据特征选择方法后得到的预测结果可视化输出示意图。
具体实施方式
[0012]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。
[0013]除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多生理参数的脑力负荷预测方法，其特征在于，所述方法包括下列步骤：S1.获取被测人员的多生理参数，将每一生理参数分别输入至预设的信号处理及特征提取算法；并输出所述多生理参数对应的特征向量，并且，获取所述多生理参数样本和每个多生理参数样本对应的脑力负荷值，将每个多生理参数样本对应的生理参数和脑力负荷值的组合作为一个训练样本，从而得到训练样本集合；S2.基于熵判据的最优重要度特征子集选择，将所述多生理参数输入至预设的熵判据算法，根据所述训练样本集合计算各特征向量的熵判据值，若所述熵判据值大于零，则对应的特征向量保留下来，更新所述训练样本集合；S3.构建基于支持向量回归的回归预测模型，利用所述训练样本集合对所述回归预测模型进行训练；S4.将所述特征向量输入至所述所述回归预测模型，输出特征向量对应的回归数值，根据所述回归数值获取被测人员的脑力负荷数值，对被测人员进行脑力负荷监测。2.根据权利要求1所述的基于多生理参数的脑力负荷预测方法，其特征在于，所述多生理参数包括脑电信号、心电信号和眼动信号；所述信号处理及特征提取算法包括三种独立的面向不同来源生理参数的算法通道，分别用于提取所述脑电信号的特征、所述心电信号的特征、所述眼动信号的特征；所述被测人员为高铁调度员。3.根据权利要求1所述的基于多生理参数的脑力负荷预测方法，其特征在于，所述步骤S1包括：S11.基于离散小波分解的脑电数据特征提取；S12.基于平稳小波变换的心电数据特征提取；S13.基于位置阈值算法的眼动数据特征提取。4.根据权利要求2所述的基于多生理参数的脑力负荷预测方法，其特征在于，所述步骤S11包括：对脑电测试系统采集到的多通道脑波信号，使用eeglab工具包对其进行电极定位、电位重参考、滤波去噪，然后利用离散小波分解的方法提取出脑电中θ，α，β三个波段，计算各波段的能量谱密度作为脑电特征。5.根据权利要求2所述的基于多生理参数的脑力负荷预测方法，其特征在于，所述步骤S12包括：利用平稳小波逆变换进行信号重构，实现信号去噪；去除噪音后，利用差分方法，对心电信号的R波进行标记，提取出R
‑
R间期值作为心率变异性的标志；对数据进行计算，得到时域、频域、非线性特征，作为的特征维度。6.根据权利要求2所述的基于多生理参数的脑力负荷预测方法，其特征在于，所述步骤S13包括：通过位置阈值算法得到注视点集，分别通过如下公式计算注视点个数和平均注视时间。7.根据权利要求1所述的基于多生理参数的脑力负荷预测方法，其特征在于，所述步骤S2包括如下步骤：
S21.对于维空...

【专利技术属性】
技术研发人员：黄康，高扬，李涵秋，刘敬辉，戴贤春，郭湛，李晓宇，刘鑫贵，赵林，李秋芬，杨晨，梁家健，胥红敏，王高磊，韩佳英，柴家欣，
申请(专利权)人：中国铁道科学研究院集团有限公司铁道科学技术研究发展中心，
类型：发明
国别省市：