CN102727223A - 基于多生理参数pca融合的脑力负荷测量方法 - Google Patents

Abstract

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。本发明主要应用于医疗器械领的设计制造。

Description

基于多生理参数PCA融合的脑力负荷测量方法

技术领域

本发明涉及医疗器械领域，具体讲，涉及应用于医疗器械领域的基于多生理参数PCA融合的脑力负荷测量方法。

背景技术

脑力负荷，指作业人员为达到业绩标准而付出的注意力大小，其涉及到完成某项任务时的工作要求、时间压力、作业人员的能力和努力程度，以及任务不顺利时的挫折感等。低脑力负荷会使人感到厌倦，注意力不集中；高强度的脑力负荷会影响作业者工作绩效，如此长时间的脑力负荷会使人产生脑力疲劳，而疲劳会使人反应迟钝，灵活性低，容易被无关信息干扰，出错率增加，重复犯错。

因为脑力负荷是一个多维的概念，所以脑力负荷的测量方法是多种多样的。目前，脑力负荷测量的方法归纳起来主要有如下4类：(1)主观测量法：是以劳动者对作业或系统功能的成绩判断为基础建立的一些心理学方法，如主观劳动负荷测量技术和作业负荷指数等；(2)主任务测量法：也叫工作成绩测量，通过操作者完成作业或系统功能的成绩评价劳动负荷，如完成作业的负荷量，作业速度，时间和成绩，错误率等；(3)次任务测量法；(4)生理学测量法：通过作业者对系统或作业需要的生理反应进行评价，如心率及其变异性、呼吸、眨眼频率、瞳孔直径、皮肤电阻、眼电图、脑事件相关电位、脑地形图、脑磁图、磁共振成像、正电子发射扫描等。由于生理参数的客观、实时性，因此生理学测量法是目前测量脑力负荷的常用方法。

在当前的研究中，学者们多采用单一参数如EEG、fNIRS、ERP等作为检测脑力负荷的指标，但由于现实工作中任务的复杂性，单一测量指标不能全面反映脑力负荷的变化。研究表明，不同的生理测量技术能从不同角度表现出对脑力负荷的敏感性。任何单一的生理指标对脑力负荷的测量都是片面的，只有多种生理指标的综合运用才能全面反映脑力负荷的变化。另外，由于某些生理参数如EEG、ERP等采集相对复杂，在实际应用中受到限制。因此基于多参数的，简单便捷的脑力负荷检测方法还在不断的探索之中。

发明内容

本发明旨在克服现有技术的不足，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。

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。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)

$y_{\mathrm{ij}}=(p_{\mathrm{ij}}-\stackrel{\‾}{p_j})/S_j---(2-3)$

其中，

p_ij、

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

$Z=\left[\begin{array}{cccc}{S}_1^2& \mathrm{cov}\left(\mathrm{1,2}\right)& \mathrm{cov}\left(\mathrm{1,3}\right)& \mathrm{cov}\left(\mathrm{1,4}\right)\\ \mathrm{cov}\left(\mathrm{2,1}\right)& S_2^2& \mathrm{cov}\left(\mathrm{2,3}\right)& \mathrm{cov}\left(\mathrm{2,4}\right)\\ \mathrm{cov}\left(\mathrm{3,1}\right)& \mathrm{cov}\left(\mathrm{3,2}\right)& S_3^2& \mathrm{cov}\left(\mathrm{3,4}\right)\\ \mathrm{cov}\left(\mathrm{4,1}\right)& \mathrm{cov}\left(\mathrm{4,2}\right)& \mathrm{cov}\left(\mathrm{4,3}\right)& S_4^2\end{array}\right]---(2-4)$

$\mathrm{cov}(k,m)=\frac{1}{n-1}{\mathrm{\Σ}}_{i=1}^n(y_{\mathrm{ik}}-\stackrel{\‾}{y_k})(y_{\mathrm{im}}-\stackrel{\‾}{y_m})---(2-5)$

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-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，Λ表示由Z的特征值组成的对角矩阵；

U-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。

采用模糊模式识别对脑力负荷的大小进行判别，具体包括如下步骤：

（1）模糊特征提取由参数融合计算公式得到的参数融合值MWS，根据一定的模糊化规则把该参数融合值MWS分成多个模糊变量，使每个模糊变量表达参数融合值MWS的某一局部特性，用模糊变量进行模式识别；

（2）隶属函数建立在模糊特征有效抽取的基础上，采用模糊分布的方法，通过对上述模糊变量统计分析描出大致曲线，选择一个与给出的几种分布最接近的一个，再根据实验确定模糊变量的实际值，从而确定隶属函数，模糊分布包括有矩形与半矩形分布、梯形与半梯形分布、正态分布；

（3）根据最大隶属原则对结果进行判别：设由参数融合值MWS组成的集合X为所要识别的对象全体，A_i属于F(X)，F(X)表示X上的模糊子集的全体，i=1,2,3，表示3个模糊模式即“低度脑力负荷”、“中度脑力负荷”和“高度脑力负荷”；对于X中任一元素x，设x对于模式A_i的隶属度为μ_Ak(x)，要识别它属于哪一个模式，可按下列原则作判断，即若μ_Ak(x)=max{μ_A1(x),μ_A2(x),μ_A3(x)}，则认为x相对属于A_k所代表的那一类，从而判断出脑力负荷程度。

本发明的技术特点及效果：

本发明采用三参数测量。解决了脑力负荷检测指标测量复杂，不方便的问题，并且基于PCA的多参数融合，更适合脑力负荷多维的特点，可以更准确，敏感的反应其大小变化，可有效地提高脑力负荷检测系统的准确性和简便性，给实际应用带来便捷，并且可应用于多种工作场景。

附图说明

图1基于PCA多参数融合脑力负荷检测流程图。

具体实施方式

提出了由主成分分析（PCA）来确定脑力负荷测量中所记录的多生理参数的权重系数，根据定义的计算公式将多参数测量值融合成一个数值作为脑力负荷的检测指标的方法。其技术流程是：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MWS（mental workload score）=W₁P₁+W₂P₂+W₃P₃+W₄P₄计算脑力负荷的参数融合分值，并将该数值作为脑力负荷的测量指标。该方法属于人机交互与人因工程领域的脑力负荷检测新方法。

本发明的主旨是提出一种基于多生理参数PCA融合的脑力负荷测量方法，通过主成分分析方法计算心率变异性（HRV）、皮肤电阻（SR）及瞳孔直径的权重系数，继而将该三参数融合的数值作为脑力负荷的检测指标，从而准确、客观、简便的检测脑力负荷。该项发明可有效地提高脑力负荷检测系统准确性和简便性，并获得可观的社会效益和经济效益。

基于PCA多参数融合脑力负荷检测流程图如图1所示。脑力负荷检测的整个流程为：首先采集心率变异性（HRV）、皮肤电阻（SR）、瞳孔直径三个生理参数，然后分别对各参数进行频域分析，提取特征，形成参数矩阵，利用PCA确定各参数特征的权重系数，将权重系数与参数特征融合加成至脑力负荷的特征向量，作为脑力负荷的检测指标，并将其作为后续模式识别的输入，从而对脑力负荷的大小进行识别判断。

1 信号采集

心率变异(Heart rate variability，HRV)是指窦性心率在一定时间内周期性改变的现象。HRV主要受自主神经调节，同时亦受呼吸、血压、皮肤温度、肾素－血管紧张素等多种因素影响。研究表明，心率变异对许多不同难度的操纵敏感，是评价脑力负荷大小的很好指标。HRV典型的频谱可有三个峰，大致位于0.04Hz以下，0.05-0.15Hz和大于0.15Hz，分别称为极低频(VLF)、低频(LF)和高频(HF)峰，在脑力负荷评价中，HF（高频功率）的有效性较差；而LF（低频功率）和LF/HF（低高频功率之比）两个指标的有效性较好。

瞳孔是位于人眼虹膜中央的圆形缺损，直径为2～6mm。瞳孔相当于眼光学系统中的孔径光阑，它可以通过放大和缩小来调节进入眼内光线的量，从而影响视网膜像差大小。瞳孔大小由动眼神经支配的瞳孔括约肌和交感神经支配的瞳孔开大肌共同控制，它们彼此在中枢紧密联系并相互拮抗。研究指出，瞳孔面积的变化能够评价脑力负荷的不同：随着工作难度水平的增加，瞳孔缩小；而随着紧张程度的增加，瞳孔扩大；当到达一定疲劳程度之后，瞳孔开始缩小。早期就有很多研究利用这一参数检测脑力负荷的变化，均取得了较理想的效果。

人体的皮肤对电流和电压会呈现一定的电阻，我们称之为皮肤电阻。人体的皮肤电阻受呼吸、情绪、出汗等多种条件的影响。研究表明，皮肤电阻的大小会随着脑力负荷的变化呈现明显的变化，也是测量脑力负荷的另一敏感指标。

在本技术中，由于该三个参数测量简单、方便，测量方法成熟，并且能敏感的反应脑力负荷的大小变化，在实际应用中更具有实时性与优越性。

2 特征提取

4)HRV特征提取：采用FFT计算HRV的LF(低频频率)、HF（高频频率），将（LF/HF）即低频与高频的比值记为P₁，将TP（总功率）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。

5)瞳孔直径特征提取：人的瞳孔直径一般在0.2~0.8mm之间，采用AR模型计算瞳孔直径的功率谱密度，将此作为该参数的特征，记为P₃。

6)SR特征提取：采用傅里叶变换，计算皮肤电阻在0.03~0.5HZ的功率谱密度，作为该参数的特征，记为P₄。

3 PCA算法

主成分分析（Principal Component Analysis,PCA）是一种常用的基于变量协方差矩阵对信息进行处理、压缩和抽提的有效方法。主成分分析的目的是压缩变量个数，用较少的变量去解释原始数据中的大部分变量，剔除冗余信息。即将许多相关性很高的变量转化成个数较少、能解释大部分原始数据方差且彼此互相独立的几个新变量，也就是所谓的主成分。这样就可以消除原始变量间存在的共线性，克服由此造成的运算不稳定、矩阵病态等问题。

主成分分析可以看作是坐标变换。在本发明中，我们共提取了四个特征变量，它们分别是低频与高频的比值P₁、TP（总功率）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，这四个变量构成一个四维空间。我们对在该四维空间下的所测样本（样本数为n）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、旋转等变换后，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变量的权重系数W₁、W₂、W₃、W₄。

在本发明中，首先对该4个变量进行n次观测得到的观测数据可用下面的矩阵表示

$P=\left[\begin{array}{cccc}{p}_{11}& p_{12}& p_{13}& p_{14}\\ p_{21}& p_{22}& p_{23}& p_{24}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ p_{n1}& p_{n2}& p_{n3}& p_{n4}\end{array}\right]---(2-1)$

用主成分分析求取四个变量的权重系数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，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，使得每个变量变为均值为0，方差为1，得到矩阵Y：

Y=[y_ij]_n×4，i=1,2,…,n(2-2)

$y_{\mathrm{ij}}=(p_{\mathrm{ij}}-\stackrel{\‾}{p_j})/S_j---(2-3)$

其中，

p_ij、

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；

在本发明中确定的四个变量，有不同的量纲、不同的数量级，由于不同的量纲会引起个别变量取值的分散程度差异较大，这时总体方差受方差较大的变量的控制。所以不同量纲、不同数量级的数据不能放在一起直接进行比较，也不能直接用于多元统计分析，需要对这四个变量的数值进行标准化处理，以消除其量纲、数量级上的差异，使其具有可比性。

（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

$Z=\left[\begin{array}{cccc}{S}_1^2& \mathrm{cov}\left(\mathrm{1,2}\right)& \mathrm{cov}\left(\mathrm{1,3}\right)& \mathrm{cov}\left(\mathrm{1,4}\right)\\ \mathrm{cov}\left(\mathrm{2,1}\right)& S_2^2& \mathrm{cov}\left(\mathrm{2,3}\right)& \mathrm{cov}\left(\mathrm{2,4}\right)\\ \mathrm{cov}\left(\mathrm{3,1}\right)& \mathrm{cov}\left(\mathrm{3,2}\right)& S_3^2& \mathrm{cov}\left(\mathrm{3,4}\right)\\ \mathrm{cov}\left(\mathrm{4,1}\right)& \mathrm{cov}\left(\mathrm{4,2}\right)& \mathrm{cov}\left(\mathrm{4,3}\right)& S_4^2\end{array}\right]---(2-4)$

$\mathrm{cov}(k,m)=\frac{1}{n-1}{\mathrm{\Σ}}_{i=1}^n(y_{\mathrm{ik}}-\stackrel{\‾}{y_k})(y_{\mathrm{im}}-\stackrel{\‾}{y_m})---(2-5)$

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-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，Λ表示由Z的特征值组成的对角矩阵；

U-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（主成分）的坐标轴，又称为载荷轴。特征值表示新变量（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)

F阵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（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。

由以上步骤我们就求得这四个变量P₁、P₂、P₃、P₄对应的权重系数W₁、W₂、W₃和W₄。

该方法的特点：主成分是原变量的线性组合；各个主成分之间互不相关；主成分按照方差从大到小依次排列，第一主成分对应最大的方差（特征值）；每个主成分的均值为0，其方差为协方差阵对应的特征值；不同的主成分轴（载荷轴）之间相互正交；原来有4个变量，我们选取4个主成分，这4个主成分的变化可以完全反映原来全部4个变量的变化。

该方法的优点：它能找到表现原始数据阵最重要的变量的组合；通过表示最大的方差能有效地直观反映样本之间的关系；能从这几个主成分的得分来近似反映原始的数据阵的信息，从而更准确的反映脑力负荷的变化。

4 参数融合计算公式

我们将脑力负荷的参数融合值记为MWS(Mental Workload Score)，定义计算公式为MWS=W₁P₁+W₂P₂+W₃P₃+W₄P₄。由所测得的变量值P₁、P₂、P₃、P₄和PCA确定的权重系数W₁、W₂、W₃、W₄计算得脑力负荷的参数融合值，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。

5 模式识别

由于脑力负荷的概念有一定的模糊性，对脑力负荷大小的判定没有一个明确的判别边界对其进行精确地分类，所以在该发明中我们采用模糊模式识别对脑力负荷的大小进行判别。

模糊模式识别是运用模糊数学的理论和方法将待识别类、对象作为模糊集或其元素,然后对这些模糊集或元素进行分类。在该技术中，经以上特征融合得到融合值之后，我们对其进行模式识别步骤如下：

（1）模糊特征提取由参数融合计算公式得到四个生理参数的参数融合值MWS，根据一定的模糊化规则把该参数融合值分成多个模糊变量，使每个模糊变量表达原变量的某一局部特性，用这些新的特征代替原来的特征进行模式识别，这样，每个模糊特征的取值实际上是一个新的连续变量，它们表示的不再是具体的数值，而是对于特征程度或状况的描述，在该技术中，我们将脑力负荷分为三个模糊特征：“低度脑力负荷”、“中度脑力负荷”和“高度脑力负荷”。

（2）隶属函数建立在模糊特征有效抽取的基础上，识别系统的成功将依赖于建立恰当的描述目标类别模式和输入客体特性的隶属函数，以及设计有效的模糊分类器。我们采用模糊分布的方法，通过上述模糊特征统计分析描出大致曲线，选择一个与给出的几种分布最接近的一个，再根据实验确定实际的参数，从而确定隶属函数。常用的F分布有矩形与半矩形分布、梯形与半梯形分布、正态分布等。

（3）根据最大隶属原则对结果进行判别：设由参数融合值MWS组成的集合X为所要识别的对象全体，A_i属于F(X)，F(X)表示X上的模糊子集的全体，i=1,2,3，表示3个模糊模式即“低度脑力负荷”、“中度脑力负荷”和“高度脑力负荷”。对于X中任一元素x，设x对于模式A_i的隶属度为μ_Ak(x)，要识别它属于哪一个模式，可按下列原则作判断，即若μ_Ak(x)=max{μ_A1(x),μ_A2(x),μ_A3(x)}，则认为x相对属于A_k所代表的那一类，从而判断出脑力负荷程度。

有益效果

本技术解决了脑力负荷检测指标测量复杂，不方便的问题，并且基于PCA的多参数融合，更适合脑力负荷多维的特点，可以更准确，敏感的反应其大小变化，可有效地提高脑力负荷检测系统的准确性和简便性，给实际应用带来便捷，并且可应用于多种工作场景。

本发明的主旨是提出一种基于PCA的多参数融合脑力负荷测量方法，通过主成分分析方法计算心率变异性（HRV）、皮肤电阻（SR）及瞳孔直径的权重系数，继而将这三参数融合的数值作为脑力负荷的检测指标，从而准确、客观、简便的检测脑力负荷的大小。该项发明可有效地提高脑力负荷检测系统准确性和简便性，并获得可观的社会效益和经济效益。最佳实施方案拟采用专利转让、技术合作或产品开发。由于该技术操作简单，敏感性强，基于该技术开发的产品可应用于多种场景，如汽车驾驶、航天员操作及特定工作环境等。

Claims (4)

1.一种基于多生理参数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 workloadscore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。

2.如权利要求1所述的基于多生理参数PCA融合的脑力负荷测量方法，其特征是，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。

3.如权利要求1所述的基于多生理参数PCA融合的脑力负荷测量方法，其特征是，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)

$y_{\mathrm{ij}}=(p_{\mathrm{ij}}-\stackrel{\‾}{p_j})/S_j---(2-3)$

其中，

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

$Z=\left[\begin{array}{cccc}{S}_1^2& \mathrm{cov}\left(\mathrm{1,2}\right)& \mathrm{cov}\left(\mathrm{1,3}\right)& \mathrm{cov}\left(\mathrm{1,4}\right)\\ \mathrm{cov}\left(\mathrm{2,1}\right)& S_2^2& \mathrm{cov}\left(\mathrm{2,3}\right)& \mathrm{cov}\left(\mathrm{2,4}\right)\\ \mathrm{cov}\left(\mathrm{3,1}\right)& \mathrm{cov}\left(\mathrm{3,2}\right)& S_3^2& \mathrm{cov}\left(\mathrm{3,4}\right)\\ \mathrm{cov}\left(\mathrm{4,1}\right)& \mathrm{cov}\left(\mathrm{4,2}\right)& \mathrm{cov}\left(\mathrm{4,3}\right)& S_4^2\end{array}\right]---(2-4)$

$\mathrm{cov}(k,m)=\frac{1}{n-1}{\mathrm{\Σ}}_{i=1}^n(y_{\mathrm{ik}}-\stackrel{\‾}{y_k})(y_{\mathrm{im}}-\stackrel{\‾}{y_m})---(2-5)$

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-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，Λ表示由Z的特征值组成的对角矩阵；

U-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。

4.如权利要求1所述的基于多生理参数PCA融合的脑力负荷测量方法，其特征是，采用模糊模式识别对脑力负荷的大小进行判别，具体包括如下步骤：

（1）模糊特征提取由参数融合计算公式得到的参数融合值MWS，根据一定的模糊化规则把该参数融合值MWS分成多个模糊变量，使每个模糊变量表达参数融合值MWS的某一局部特性，用模糊变量进行模式识别；

（2）隶属函数建立在模糊特征有效抽取的基础上，采用模糊分布的方法，通过对上述模糊变量统计分析描出大致曲线，选择一个与给出的几种分布最接近的一个，再根据实验确定模糊变量的实际值，从而确定隶属函数，模糊分布包括有矩形与半矩形分布、梯形与半梯形分布、正态分布；

（3）根据最大隶属原则对结果进行判别：设由参数融合值MWS组成的集合X为所要识别的对象全体，A_i属于F(X)，F(X)表示X上的模糊子集的全体，i=1,2,3，表示3个模糊模式即“低度脑力负荷”、“中度脑力负荷”和“高度脑力负荷”；对于X中任一元素x，设x对于模式A_i的隶属度为μ_Ak(x)，要识别它属于哪一个模式，可按下列原则作判断，即若μ_Ak(x)=max{μ_A1(x),μ_A2(x),μ_A3(x)}，则认为x相对属于A_k所代表的那一类，从而判断出脑力负荷程度。

Images