情绪制造技术

本申请涉及数据处理技术领域，公开了一种情绪

【技术实现步骤摘要】
情绪、疲劳和主观意愿的正交融合及精神状态评估方法


[0001]本申请涉及数据处理
，具体涉及一种情绪
、
疲劳和主观意愿的正交融合及精神状态评估方法
。

技术介绍

[0002]安全生产的因素包括设备因素
、
人为因素
、
和环境因素等，其中，人的因素是核心和重要的因素
。
通常情况下，矿业人员长期处于井下单调昏暗的工作环境，易出现烦躁
、
忧郁
、
和疲劳等情绪，这些不良情绪会增加井下人员操作失误率，导致煤矿安全事故的发生
。
[0003]矿工的精神状态不佳导致疏忽大意
、
操作不当
、
疲劳困倦
、
缺乏注意力
、
情绪低落等因素都是引起安全事故的人为因素
。
目前对矿工的精神状态的研究并不多，避免矿工出现负面的精神状态只能通过管理者监督，这不仅浪费人力资源而且影响矿工工作情绪
。
所以对于人精神状态研究对矿工安全生产有着重要意义
。
此外，精神状态在交通运输行业
、
生产车间等环境有很高的应用研究价值
。
[0004]Patel P
等
(Brain informatics,2021)
将熵作为特征提取的度量，用来描述脑电信号的复杂性和不确定性
。
熵是信息理论中的概念，用于衡量信号的随机性和不规则性
>。
通过计算脑电信号的熵值，可以提取与情绪状态相关的特征
。
样本熵的缺点：对于时空数据的噪声敏感，噪声会对结果产生较大的影响
。
受数据长度和采样频率影响较大，需要根据具体数据进行调整，可能存在不确定性
。
在处理高维时空数据时，计算复杂度较高
。
[0005]Wang H
等
(IEEE Transactions on Cognitive and Developmental Systems,2020.)
采集了驾驶员的脑电图
(EEG)
数据，并使用相位同步分析来研究不同脑区之间的脑功能连接性
。
研究人员通过将相位同步值构建成一个功能连接矩阵，描述了不同脑区之间的连接强度和模式
。
然后，他们利用机器学习算法对功能连接矩阵进行分类，以判别驾驶员的疲劳状态
。Chaudhuri A
等
(IEEE transactions on intelligent transportation systems,2019.)
通过
12
组测试者，使用
19
通道脑电数据，使用
sLORETA
算法，通过分析脑电图
(EEG)
或脑磁图
(MEG)
信号，推断出活跃脑区的空间分布
。
它基于逆问题，即根据在头表上测量到的电位分布来估计源的活动
。sLORETA
使用正则化方法来处理逆问题，以降低估计的不确定性
。
结合
SVM
算法得出最终
86.00
％准确率
。
[0006]Shang Y
等
(Electronics,2022.)
使用情绪识别和疲劳检测模型，基于所提取的特征，建立了情绪识别和疲劳检测的模型
。
使用了时间序列融合，状态判定和决策基于融合后的时间序列，采用合适的判定算法或规则来对驾驶员的情绪和疲劳状态进行判定
。
[0007]然而现有技术存在情绪状态识别中单一特征不完备
、
疲劳状态识别识别率低的问题，且情绪状态与疲劳状态两个任务的决策融合有待于进一步改进
。

技术实现思路

[0008]针对现有技术存在的上述不足，本专利技术的目的在于提供一种情绪
、
疲劳和主观意愿的正交融合及精神状态评估方法
。
[0009]为实现以上目的，本专利技术采用如下技术方案：
[0010]一种情绪
、
疲劳和主观意愿的正交融合及精神状态评估方法，包括以下步骤：
[0011]S1.
采集脑电数据，并对原始脑电数据进行预处理后，再使用独立成分分析技术，去除隐含噪声成分，得到处理后的脑电数据；
[0012]S2.
基于所定义的时空熵，对情绪脑电数据进行特征提取，并搭建
Bi
‑
LSTM
情绪状态识别模型，实现基于脑电时空熵特征的情绪识别；
[0013]S3.
对疲劳脑电数据集进行特征提取，将脑功能连接的区域关系应用于多通道功率谱的区域关系，以脑功能连接关系原则对多通道功率谱密度进行归一化，用支持向量机对疲劳状态进行分类；
[0014]S4.
建立精神状态客观评价指标的效价
、
唤醒度和疲劳状态的田口正交矩阵，得到客观的精神状态指标；
[0015]S5.
根据主观精神指标加客观精神指标的双维度精神状态评估方法对受试者进行精神状态识别
。
[0016]进一步地，
S1
中，对所采集的脑电数据进行的预处理包括：去除噪声
、
工频干扰和心电生物信号，采用
FIR
滤波器对脑电数据进行
0.1Hz
到
40Hz
范围的滤波，设置全局脑电数据平均值为参考点，对数据进行归一化
。
[0017]进一步地，
S2
中，时空熵具体包括以下步骤：
[0018]步骤1：将空间电极位置映射到矩阵
[0019]步骤2：构建
m
维向量矩阵
[0020]步骤3：计算标准差
[0021]计算每个通道在第
t
时刻的标准差
σ
t
[0022][0023]式中，
t
表示时间，
x
i
是通道
i
的脑电位的值，
I
是通道
i
的样本数；表示
I
个通道值在
t
时刻的平均值；
[0024]步骤4：计算向量之间距离
[0025]计算步骤2中序列
X(i)
与其他所有序列
X(j)
的距离，距离求取方法是先按照序列等位置相减并取绝对值，绝对值最大的值作为
d[X(i),X(j)]的距离；
[0026]步骤5：统计距离与阈值关系
[0027]统计
t
时刻时距离
d[X(i),X(j)]小于
τ
t
的数目及此数目与距离总数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种情绪
、
疲劳和主观意愿的正交融合及精神状态评估方法，其特征在于，包括以下步骤：
S1.
采集脑电数据，并对原始脑电数据进行预处理后，再使用独立成分分析技术，去除隐含噪声成分，得到处理后的脑电数据；
S2.
基于所定义的时空熵，对情绪脑电数据进行特征提取，并搭建
Bi
‑
LSTM
情绪状态识别模型，实现基于脑电时空熵特征的情绪识别；
S3.
对疲劳脑电数据集进行特征提取，将脑功能连接的区域关系应用于多通道功率谱的区域关系，以脑功能连接关系原则对多通道功率谱密度进行归一化，用支持向量机对疲劳状态进行分类；
S4.
建立精神状态客观评价指标的效价
、
唤醒度和疲劳状态的田口正交矩阵，得到客观的精神状态指标；
S5.
根据主观精神指标加客观精神指标的双维度精神状态评估方法对受试者进行精神状态识别
。2.
根据权利要求1所述的情绪
、
疲劳和主观意愿的正交融合及精神状态评估方法，其特征在于，
S1
中，对所采集的脑电数据进行的预处理包括：去除噪声
、
工频干扰和心电生物信号，采用
FIR
滤波器对脑电数据进行
0.1Hz
到
40Hz
范围的滤波，设置全局脑电数据平均值为参考点，对数据进行归一化
。3.
根据权利要求1所述的情绪
、
疲劳和主观意愿的正交融合及精神状态评估方法，其特征在于，
S2
中，时空熵具体包括以下步骤：步骤1：将空间电极位置映射到矩阵步骤2：构建
m
维向量矩阵步骤3：计算标准差计算每个通道在第
t
时刻的标准差
σ
t
式中，
t
表示时间，
x
i
是通道
i
的脑电位的值，
I
是通道
i
的样本数；表示
I
个通道值在
t
时刻的平均值；步骤4：计算向量之间距离计算步骤2中序列
X(i)
与其他所有序列
X(j)
的距离，距离求取方法是先按照序列等位置相减并取绝对值，绝对值最大的值作为
d[X(i),X(j)]
的距离；步骤5：统计距离与阈值关系统计
t
时刻时距离
d[X(i),X(j)]
小于
τ
t
的数目及此数目与距离总数
N
‑
m+1
的比值：式中，
N
是通道数，
τ
t
是经验阈值，
τ
t
＝
0.2
σ
t
；基于近似熵的方法：取对数，再求所有的平均值：
求得时空近似熵：
StApEn(m,
τ
t
)
＝
φ
m
(
τ
t
)
‑
φ
m+1
(
τ
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
上式的
φ
m
(r
t
)
是取之式
(3)
，经过步骤1～步骤5，构成了新的时空熵序列
L
：
F
11
＝
{StApEn(m,
τ1),StApEn(m,
τ2),
…
,StApEn(m,
τ
40
)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
上式中，
M
表示时间最大时刻点；选用
Bi
‑
LSTM
模型针对新的时空熵序列
F11
进行分类
。4.
根据权利要求3所述的情绪
、
疲劳和主观意愿的正交融合及精神状态评估方法，其特征在于，步骤1中，将
32
导电极位置分布图映射到9×9的矩阵
。5.
根据权利要求3所述的情绪
、
疲劳和主观意愿的正交融合及精神状态评估方法，其特征在于，步骤2中，取
m
＝2；构建两种向量
X(i)
，维度分别是
m
＝2和
m+1
＝3；以
Fz,Cz,Pz,Oz
为中间轴，作为向量的终端；其中
m+1
＝3时，向量矩阵前两个数值是一对对称的位置，最后求得
m
＝2时共有
28
个向量，
m+1
＝3时共有
14
个向量
。6.
根据权利要求3所述的情绪
、
疲劳和主观意愿的正交融合及精神状态评估方法，其特征在于，步骤4中，不同
m
值时的距离数学表达式如下所示：当
m
＝2时：

【专利技术属性】
技术研发人员：汪梅，杨留阳，柳欣玉，施俊杰，杨娜，王毅，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：