基于多生理参数PCA融合的脑力负荷测量方法

摘要

本发明涉及医疗器械领域。为有效地提高脑力负荷检测系统准确性和简便性，为达到上述目的，本发明采取的技术方案是，基于多生理参数PCA融合的脑力负荷测量方法，包括如下步骤：测量心率变异性HRV、瞳孔直径、皮肤电阻SR三个生理参数，利用PCA技术得出三个参数的权重系数，根据参数融合计算公式计算脑力负荷的参数融合分值MWS，MWS是mentalworkload score的缩写，MWS等于各参数与其权重之积的和，并将MWS作为脑力负荷的测量指标。

主权项

一种基于多生理参数PCA融合的脑力负荷测量方法，其特征是，包括如下步骤：测量心率变异性HRV、瞳孔直径、皮肤电阻SR三个生理参数，利用PCA技术得出三个参数的权重系数，根据参数融合计算公式计算脑力负荷的参数融合分值MWS，MWS是mental workload score的缩写，MWS等于各参数与其权重之积的和，并将MWS作为脑力负荷的测量指标；其中，测量心率变异性HRV、瞳孔直径、皮肤电阻SR三个生理参数是：1)心率变异性HRV提取：采用傅立叶变换FFT计算HRV的低频频率LF、高频频率HF，将LF/HF即低频与高频的比值记为P₁，将总功率TP的功率谱密度记为P₂，其中LF频率变化在0.04～0.15HZ，HF的频率变化在0.15～0.40HZ，TP表示频率在0.00～0.40HZ的总频率变化值；2)瞳孔直径特征提取：采用AR模型计算瞳孔直径的功率谱密度记为P₃；3)SR特征提取：采用傅里叶变换FFT，计算皮肤电阻在0.03～0.5HZ的功率谱密度记为P₄；其中，利用PCA技术得出三个参数的权重系数是，将提取的四个特征变量低频与高频的比值P₁、总功率TP的功率谱密度P₂、瞳孔直径的功率谱密度P₃和皮肤电阻的功率谱密度P₄，这四个特征变量构成一个四维空间，样本数为n，对在该四维空间下的所测样本进行变换：设其原始变量的坐标系为P_1a、P_2a、P_3a、P_4a，在对原始坐标经过坐标平移、尺度伸缩、旋转变换后，得到一组新的、相互正交的坐标轴v₁、v₂、v₃、v₄，根据原始变量在新坐标系上投影值的方差来确定这四个特征变量的权重系数W₁、W₂、W₃、W₄：首先对该4个特征变量进行n次观测得到的观测数据可用下面的矩阵表示：$P=\left[\begin{array}{cccc}{p}_{11}& p_{12}& p_{13}& p_{14}\\ p_{21}& p_{22}& p_{23}& p_{24}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ p_{n1}& p_{n2}& p_{n3}& p_{n4}\end{array}\right]---(2-1)$用主成分分析求取特征变量的权重系数W₁、W₂、W₃、W₄的步骤如下：(1)对原始数据矩阵P进行标准化处理，以消除其量纲、数量级上的差异，使其具有可比性，然后，用矩阵中的元素减去所在列的均值，然后除以所在列的标准差，使得原始数据矩阵P中每个特征变量变为均值为0，方差为1，得到矩阵Y：Y＝[y_ij]_n×4，i＝1，2，…，n  (2‑2)$y_{\mathrm{ij}}=(p_{\mathrm{ij}}-\overline{p_j})/S_j---(2-3)$其中，$\overline{p_j}=\frac{1}{n}{\Sigma }_{i=1}^n{p}_{\mathrm{ij}},S_j=\sqrt{\frac{1}{n-1}}{\Sigma }_{i=1}^n{(p_{\mathrm{ij}}-\overline{p_j})}^2,$p_ij表示观测矩阵P中的元素，表示观测矩阵P所在列的均值；(2)对标准化后的矩阵Y求协方差矩阵，Y的每一列对应一个变量的n个测量值，任意两列之间可以计算两变量间的协方差，得到协方差矩阵$Z=\left[\begin{array}{cccc}{S}_1^2& \mathrm{cov}\left(\mathrm{1,2}\right)& \mathrm{cov}\left(\mathrm{1,3}\right)& \mathrm{cov}\left(\mathrm{1,4}\right)\\ \mathrm{cov}\left(\mathrm{2,1}\right)& S_2^2& \mathrm{cov}\left(\mathrm{2,3}\right)& \mathrm{cov}\left(\mathrm{2,4}\right)\\ \mathrm{cov}\left(\mathrm{3,1}\right)& \mathrm{cov}\left(\mathrm{3,2}\right)& S_3^2& \mathrm{cov}\left(\mathrm{3,4}\right)\\ \mathrm{cov}\left(\mathrm{4,1}\right)& \mathrm{cov}\left(\mathrm{4,2}\right)& \mathrm{cov}\left(\mathrm{4,3}\right)& S_4^2\end{array}\right]---(2-4)$$\mathrm{cov}(k,m)=\frac{1}{n-1}{\Sigma }_{i=1}^n(y_{\mathrm{ik}}-\overline{y_k})(y_{\mathrm{im}}-\overline{y_m})---(2-5)$其中k＝1，2，3，4，和分别为Y中第k列和第m列的均值，当k＝m时，(3)特征分解：计算协方差矩阵Z的特征值和特征向量，由式(2‑6)|Z‑λI|＝0  (2‑6)求出协方差矩阵Z的4个特征值并将其按照由大到小排列，λ₁≥λ₂≥λ₃≥λ₄，特征值对应的特征向量分别为U₁，U₂，U₃，U₄，则协方差矩阵Z可以写成下式：Z＝UΛU^T  (2‑7)其中，Λ表示Z的特征值按照由大到小所组成的对角阵，T表示转置，λ表示协方差矩阵Z的特征值，I表示与Z相应的单位矩阵；U表示Z的特征向量按列组成的正交阵，它构成了新的矢量空间，作为新变量即主成分的坐标轴，又称为载荷轴；特征值表示新变量即主成分方差的大小；得到的特征向量的方差比前一个特征向量的更小，也就是依次递减；特征向量相互正交，即不相关；(4)求主成分得分——新的变量值F_n×m＝Y_n×4U_4×m  (2‑8)矩阵F_n×m的每一行相当于原数据矩阵的所有行即原始变量构成的向量在主成分坐标轴即载荷轴上的投影，这些新的投影构成的向量就是主成分得分向量；由以上步骤求得这四个特征变量P₁、P₂、P₃、P₄对应的权重系数W₁、W₂、W₃和W₄；参数融合计算公式具体为：MWS＝W₁P₁+W₂P₂+W₃P₃+W₄P₄，将该参数融合值作为其检测指标，在后续的模式识别中作为输入特征向量。