一种基于多生理信号多模型交互的高铁调度员应激检测方法

摘要

本发明涉及一种基于多生理信号多模型交互的高铁调度员应激检测方法，采用脑电信号收集装置、心电采集装置，眼动采集装置联动获取相应生理信号进行信息采集后进行处理以对被测高铁调度员的应激状态得出判断，经特征选择、模型训练和信息融合处理，对基于BP神经网络模型、SVM支持向量机模型、HHM马尔可夫模型三种模型分析的脑电、心电、眼动识别结果进行信息融合，提取更好的脑电、心电、眼动识别结果，再对脑电、心电、眼动识别结果进行融合，最终得到融合特征识别结果快速有效的判断高铁调度员的应激状态。

主权项

一种基于多生理信号多模型交互的高铁调度员应激检测方法，采用脑电信号收集装置、心电采集装置，眼动采集装置联动获取相应生理信号进行信息采集后进行处理以对被测高铁调度员的应激状态得出判断，包括以下主要步骤，1)特征选择脑电导联电极采用32导脑电采集系统，每个电极采集3种基础波，总共有96个特征指标，从这96个特征指标用K‑W检验法得到分类能力最强的前10个特征指标；分别用K‑W检验法从心电、眼动大量特征指标中得到分类能力最强的前10个特征指标；其中对于脑电特征指标选择如下：对于任意的一项参数x_j，将其在应激状态与非应激状态下得到的参数序列进行混合，进行Kruskal‑Wallis检验：$H=\frac{12}{M(M+1)}{\Sigma }_{i=1}^2\frac{{\bar{R}}_i^2}{n_i}-3(M+1)$式中H为检验统计量，i为应激状态等级标量i＝1为非应激状态，i＝2为应激状态；表示第i类应激状态等级下，参数样本的平均秩；M为两类参数样本的总量；由于H服从自由度为1的卡方分布，查表可得临界区域的概率p，p值代表了两种应激状态条件下样本分布相同的概率，故p值越小代表该项参数在两类应激状态下的数据分布差异越大，基于上述方法，对脑电参数逐一进行检验，从多项脑电参数中选出差异最为显著的q项构成驾驶脑力负荷特征指标,并构成特征向量x＝{x₁，x₂，x₃，...x_q，}；2)模型训练随机抽取75％的样本作为训练样本，25％的样本作为测试样本；分别对三种模型，即：BP神经网络模型，SVM支持向量机模型及HHM马尔可夫模型予以训练和测试；通过模型训练分别找到合适的BP神经网络模型、SVM支持向量机模型、HHM马尔可夫模型。根据训练好的BP神经网络模型、SVM支持向量机模型、HHM马尔可夫模型分别对脑电、心电、眼动特征指标进行更好的分类，输出两种结果，并且规定非应激状态输出为0，应激状态输出为1；3)信息融合分别对2)获得的基于BP神经网络模型、SVM支持向量机模型、HHM马尔可夫模型三种模型分析的脑电、心电、眼动识别结果进行信息融合，提取更好的脑电、心电、眼动识别结果，再对脑电、心电、眼动识别结果进行融合，最终得到综合融合特征值；通过最终融合特征识别结果可以快速有效的判断高铁调度员应激状态；信息融合采用加权平均法，将信息进行加权平均，结果作为融合值。