CN107348964B - 基于因子分析的特长隧道环境驾驶人心理负荷测量方法 - Google Patents
基于因子分析的特长隧道环境驾驶人心理负荷测量方法 Download PDFInfo
- Publication number
- CN107348964B CN107348964B CN201710452982.1A CN201710452982A CN107348964B CN 107348964 B CN107348964 B CN 107348964B CN 201710452982 A CN201710452982 A CN 201710452982A CN 107348964 B CN107348964 B CN 107348964B
- Authority
- CN
- China
- Prior art keywords
- index
- driver
- factor
- driving
- standard
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Educational Technology (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Physics & Mathematics (AREA)
- Developmental Disabilities (AREA)
- Biophysics (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明属于道路交通安全技术领域,公开了一种基于因子分析的特长隧道环境驾驶人心理负荷测量方法。心电信号是表征驾驶人心理活动的重要指标,反映负荷变化时敏感度高;本发明在已有实验采集数据的基础上,以心率和心率变异性指标为基础,提供了基于因子分析的驾驶人心理负荷测量方法。该方法可通过采集驾驶人行车过程中的心电信号,实时对驾驶人心理负荷进行量化与监测,对于驾驶人安全、道路安全具有重要意义。
Description
技术领域
本发明属于道路交通安全技术领域,尤其涉及一种基于因子分析的特长隧道环境驾驶人心理负荷测量方法。
背景技术
隧道几何空间结构封闭、内外行车环境差异明显,驾驶人在隧道环境驾驶需经历多次明暗适应过程,该过程会使驾驶人紧张程度增加、心理资源分配失衡,从而导致心理负荷增加。
适宜的负荷状态对安全驾驶起着至关重要的作用,但负荷过高会造成驾驶人反应变慢、决策失误的概率增加,发生交通事故的几率明显增大。事故统计数据表明,驾驶人因素占事故总数的93%左右。因此,从驾驶人角度出发,提出适用的心理负荷测量方法,分析特长隧道环境下驾驶人的心理负荷变化特性,对于隧道安全设计与设施改善具有重要作用。
驾驶人心理负荷测量方法主要包括四种,分别为主观评价法、主任务绩效法、双任务绩效法和生理参数测评法。其中,主观评价法受驾驶人个体差异影响较大,且不能实时评价负荷量;主任务绩效法和双任务绩效法在实际交通环境下难以实现。已有研究或模型缺乏直接量化驾驶人心理负荷的方法,尤其缺乏对于隧道行车环境下的负荷特性研究。
发明内容
针对上述现有技术的缺点,本发明的目的在于提供一种基于因子分析的特长隧道环境驾驶人心理负荷测量方法,该方法通过采集驾驶人行车过程中的心电信号,实时对驾驶人心理负荷进行量化与监测,对于驾驶人安全、道路安全具有重要意义。
为达到上述目的,本发明采用如下技术方案予以实现。
一种基于因子分析的特长隧道环境驾驶人心理负荷测量方法,所述方法包括如下步骤:
步骤1,确定特长隧道,将所述特长隧道分为入口段、行车段和出口段;并将特长隧道的入口段、行车段和出口段平均划分为多个行车区间;
步骤2,采集多位驾驶人通过所述特长隧道过程中在每个采样点处的心电信号,所述心电信号包括心率值和RR间期值;且每个行车区间设置多个采样点;
步骤3,分别计算每位驾驶人通过每个行车区间内的平均心率AVHR、每个行车区间内RR间期值的标准差SDNN,以及每个行车区间内相邻两个RR间期差值的均方根RMSSD;
步骤4,对每位驾驶人在每个行车区间内RR间期值的标准差SDNN取倒数,记为DSDNN指标,以及对每位驾驶人在每个行车区间内相邻两个RR间期差值的均方根RMSSD取倒数,记为DRMSSD指标;从而当驾驶人在某个行车区间的心理负荷增加时,该驾驶人在该行车区间对应的平均心率指标、DSDNN指标和DRMSSD指标分别增大;
步骤5,对每位驾驶人在每个行车区间对应的平均心率指标、DSDNN指标和DRMSSD指标分别进行标准化处理,得到每位驾驶人在每个行车区间对应的标准平均心率指标、标准DSDNN指标和标准DRMSSD指标;
步骤6,将每个驾驶人在每个行车区间对应的标准平均心率指标、标准DSDNN指标和标准DRMSSD指标作为输入变量,采用SPSS软件建立因子分析模型,得到每个驾驶人在每个行车区间对应的实时因子得分,并将所述实时因子得分作为对应驾驶人在对应行车区间的心理负荷值。
本发明技术方案的特点和进一步的改进为:
(1)步骤3具体包括如下子步骤:
(3a)采样下式计算每位驾驶人通过每个行车区间内的平均心率AVHR:
其中,N表示每个行车区间内设置的采样点总个数,i表示第i个采样点,HRi表示在第i个采样点处采集到的心率值;
(3b)采用下式计算每个行车区间内RR间期值的标准差SDNN:
(3c)采用下式计算每个行车区间内相邻两个RR间期差值的均方根RMSSD:
其中,RRi+1表示第i+1个采样点处采集到的RR间期值。
(2)步骤5具体包括如下子步骤:
(5a)记所有驾驶人在所有行车区间的任一指标矩阵为X:
其中,N表示驾驶人的总个数,M表示行车区间的总个数,xnm表示第n个驾驶人在第m个行车区间的指标;
当对每位驾驶人在每个行车区间对应的平均心率指标进行标准化处理时,xnm表示第n个驾驶人在第m个行车区间的平均心率指标;
当对每位驾驶人在每个行车区间对应的DSDNN指标进行标准化处理时,xnm表示第n个驾驶人在第m个行车区间的DSDNN指标;
当对每位驾驶人在每个行车区间对应的DRMSSD指标进行标准化处理时,xnm表示第n个驾驶人在第m个行车区间的DRMSSD指标;
(5b)记所有驾驶人在所有行车区间的任一标准化处理后的标准指标矩阵为X*:
其中,xnm *表示第n个驾驶人在第m个行车区间的标准指标;
当对每位驾驶人在每个行车区间对应的平均心率指标进行标准化处理时,xnm *表示第n个驾驶人在第m个行车区间的标准平均心率指标,μ表示所有驾驶人在所有行车区间的平均心率指标的平均值,σ表示所有驾驶人在所有行车区间的平均心率指标的标准差;
当对每位驾驶人在每个行车区间对应的DSDNN指标进行标准化处理时,xnm *表示第n个驾驶人在第m个行车区间的标准DSDNN指标,μ表示所有驾驶人在所有行车区间的DSDNN指标的平均值,σ表示所有驾驶人在所有行车区间的DSDNN指标的标准差;
当对每位驾驶人在每个行车区间对应的DRMSSD指标进行标准化处理时,xnm *表示第n个驾驶人在第m个行车区间的标准DRMSSD指标,μ表示所有驾驶人在所有行车区间的DRMSSD指标的平均值,σ表示所有驾驶人在所有行车区间的DRMSSD指标的标准差。
(3)步骤6具体包括如下子步骤:
(6a)将每个驾驶人在每个行车区间对应的标准平均心率指标Z1、标准DSDNN指标Z2和标准DRMSSD指标Z3作为输入变量,采用最大方差法旋转因子后,获取SPSS软件输出的旋转后的因子载荷阵,从而建立旋转后的因子分析模型为:
Z1=0.242F′1+0.969F′2
Z2=0.966F′1+0.165F′2
Z3=0.910F′1+0.348F′2
其中,F′1表示旋转后的第一公因子,F′2表示旋转后的第二公因子,0.242为SPSS软件输出的旋转后的因子载荷阵中第一公因子F′1在标准平均心率指标Z1上的载荷值,0.969为SPSS软件输出的旋转后的因子载荷阵第二公因子F′2在标准平均心率指标Z1上的载荷值;
其中,0.966为SPSS软件输出的旋转后的因子载荷阵第一公因子F1′在标准DSDNN指标Z2上的载荷值,0.165为SPSS软件输出的旋转后的因子载荷阵第二公因子F′2在标准DSDNN指标Z2上的载荷值;
其中,0.910为SPSS软件输出的旋转后的因子载荷阵第一公因子F1′在标准DRMSSD指标Z3上的载荷值,0.348为SPSS软件输出的旋转后的因子载荷阵第二公因子F′2在标准DRMSSD指标Z3上的载荷值;
(6b)获取SPSS软件输出的因子得分系数矩阵,从而确定第一公因子F1′:
F′1=-0.289*Z1+0.633*Z2+0.504*Z3;
确定第二公因子F′2:
F′2=1.080*Z1-0.262*Z2-0.010*Z3;
其中,-0.289为SPSS软件输出的因子得分系数矩阵中第一公因子F′1在标准平均心率指标Z1上的得分系数,0.633为SPSS软件输出的因子得分系数矩阵中第一公因子F′1在标准DSDNN指标Z2上的得分系数,0.504为SPSS软件输出的因子得分系数矩阵中第一公因子F′1在标准DRMSSD指标Z3上的得分系数;
其中,1.080为SPSS软件输出的因子得分系数矩阵中第二公因子F2′在标准平均心率指标Z1上的得分系数,-0.262为SPSS软件输出的因子得分系数矩阵中第二公因子F2′在标准DSDNN指标Z2上的得分系数,-0.010为SPSS软件输出的因子得分系数矩阵中第二公因子F2′在标准DRMSSD指标Z3上的得分系数;
(6c)获取SPSS软件输出的总方差解释表,并根据所述第一公因子F1′和第二公因子F2′,得到每个驾驶人在每个行车区间对应的实时因子得分s:
所述实时因子得分即为对应驾驶人在对应行车区间的心理负荷值;
其中,0.9692为SPSS软件输出的总方差解释表中第一公因子F1′和第二公因子F2′解释方差百分比的和,0.6068为SPSS软件输出的总方差解释表中第一公因子F1′解释方差的百分比,0.3624为SPSS软件输出的总方差解释表中第二公因子F′2解释方差的百分比。
心电信号是表征驾驶人心理活动的重要指标,反映负荷变化时敏感度高;本发明在已有实验采集数据的基础上,以心率和心率变异性指标为基础,提供了基于因子分析的驾驶人心理负荷测量方法。该方法可通过采集驾驶人行车过程中的心电信号,实时对驾驶人心理负荷进行量化与监测,对于驾驶人安全、道路安全具有重要意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于因子分析的特长隧道环境驾驶人心理负荷测量方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种基于因子分析的特长隧道环境驾驶人心理负荷测量方法,如图1所示,所述方法包括如下步骤:
步骤1,确定特长隧道,将所述特长隧道分为入口段、行车段和出口段;并将特长隧道的入口段、行车段和出口段平均划分为多个行车区间。
依据《公路隧道设计规范》(JTG D70-2004),公路隧道按其长度可分为四类,即特长隧道(长度>3000m)、长隧道(3000m≥长度>1000m)、中隧道(1000m≥长度>500m)以及短隧道(长度≤500m)。
本发明实施例划分特长隧道为入口段、行车段和出口段。其中,入口段由进口前300m和进入隧道后300m两段构成,出口段由隧道出口前300m和隧道出口后300m两段构成,中间路段则为隧道行车段。
示例性的,在上述路段划分的基础上,进行行车区间的划分,以50m为间隔,入口段、出口段分别包含12个行车区间,在隧道内行车段均匀取20个点,划分为19个行车区间,整个特长隧道则由43个行车区间构成,区间平均指标涵盖数据较多,变化特征表现更加全面。
步骤2,采集多位驾驶人通过所述特长隧道过程中在每个采样点处的心电信号,所述心电信号包括心率值和RR间期值;且每个行车区间设置多个采样点。
需要说明的是,使用心电采集软件采集多位驾驶人行驶通过隧道路段的心电信号,通过该采集软件导出驾驶人行驶通过隧道路段的RR间期值。RR间期值由原始心电信号提取而来,通过识别逐次心博的QRS波,检测每一个R波的发生时刻,计算逐次心博的RR间期,单位为毫秒。
步骤3,分别计算每位驾驶人通过每个行车区间内的平均心率AVHR、每个行车区间内RR间期值的标准差SDNN,以及每个行车区间内相邻两个RR间期差值的均方根RMSSD。
步骤3具体包括如下子步骤:
(3a)采样下式计算每位驾驶人通过每个行车区间内的平均心率AVHR:
其中,N表示每个行车区间内设置的采样点总个数,i表示第i个采样点,HRi表示在第i个采样点处采集到的心率值;
(3b)采用下式计算每个行车区间内RR间期值的标准差SDNN:
(3c)采用下式计算每个行车区间内相邻两个RR间期差值的均方根RMSSD:
其中,RRi+1表示第i+1个采样点处采集到的RR间期值。
需要补充的是,本发明实施例采用的指标为心率指标:平均心率AVHR,以及心率变异性指标:每个行车区间内RR间期值的标准差SDNN和每个行车区间内相邻两个RR间期差值的均方根RMSSD。
在做具体的指标分析之前,需要判断本发明实施例采用的指标是否适合做因子分析,具体为:采用皮尔逊相关分析方法,检验心率指标与心率变异性指标的相关关系,判断这些指标是否适合做因子分析,该过程可在SPSS软件中直接完成。
具体的,皮尔逊相关系数又称“皮尔逊积矩相关系数”,它描述了两个定距变量间联系的紧密程度。一般用r表示,计算公式为:
计算AVHR与SDNN的相关系数时,xnm表示第n个驾驶人在第m个行车区间的平均心率,表示所有驾驶人所有行车区间平均心率AVHR的均值;ynm表示第n个驾驶人在第m个行车区间的RR间期值的标准差SDNN,表示所有驾驶人所有行车区间内RR间期值的标准差SDNN的均值;
同样,计算AVHR与RMSSD的相关系数时,xnm表示第n个驾驶人在第m个行车区间的平均心率,表示所有驾驶人所有行车区间平均心率AVHR的均值;ynm表示第n个驾驶人在第m个行车区间的相邻两个RR间期差值的均方根RMSSD,表示所有驾驶人所有行车区间内相邻两个RR间期差值的均方根RMSSD的均值;
计算SDNN与RMSSD的相关系数时,xnm表示第n个驾驶人在第m个行车区间的RR间期值的标准差SDNN,表示所有驾驶人所有行车区间RR间期值的标准差SDNN的均值;ynm表示第n个驾驶人在第m个行车区间的相邻两个RR间期差值的均方根RMSSD,表示所有驾驶人所有行车区间内相邻两个RR间期差值的均方根RMSSD的均值。
r描述的是两个变量间线性相关强弱的程度,式中的X和Y指心率指标和心率变异性指标的两两配对(对应区间指标配对,比如该区间内平均心率与平均SDNN对应,做相关性检验)。
r的取值在-1与+1之间,若r>0,表明两个变量是正相关,即一个变量的值越大,另一个变量的值也会越大;若r<0,表明两个变量是负相关,即一个变量的值越大,另一个变量的值反而会越小。r的绝对值越大表明相关性越强,要注意的是这里并不存在因果关系。若r=0,表明两个变量间不是线性相关,但有可能是其他方式的相关(比如曲线方式)。
利用样本相关系数推断总体中两个变量是否相关,可以用t统计量对总体相关系数为0的原假设进行检验。若t检验显著,则拒绝原假设,即两个变量是线性相关的;若t检验不显著,则不能拒绝原假设,即两个变量不是线性相关的。
在本实例中,检验结果如表1所示,平均心率与SDNN指标存在极其显著的负相关关系(r=-0.454,sig=0.000),与RMSSD指标也存在极其显著的负相关关系(r=-0.569,sig=0.000),而SDNN指标与RMSSD指标存在极其显著的正相关关系(r=0.839,sig=0.000)。SDNN与RMSSD均为心率变异性指标,该结果也说明心率指标与心率变异性指标存在极其显著的负相关关系。因子分析要求各指标之间具有一定的相关性,该结果也说明本例中结果满足因子分析的条件。
表1皮尔逊相关性矩阵
步骤4,对每位驾驶人在每个行车区间内RR间期值的标准差SDNN取倒数,记为DSDNN指标,以及对每位驾驶人在每个行车区间内相邻两个RR间期差值的均方根RMSSD取倒数,记为DRMSSD指标;从而当驾驶人在某个行车区间的心理负荷增加时,该驾驶人在该行车区间对应的平均心率指标、DSDNN指标和DRMSSD指标分别增大。
相关研究结果表明,当心理负荷增加时,心率增大,而心率变异性减小。因此,心率对于心理负荷的作用为正向作用(心率越大,心理负荷越大),而心率变异性指标为负向作用。首先将指标转化到正向作用,所以,采用倒数法将极小型指标(负向指标)转化为极大型指标,即SDNN和RMSSD在做因子分析时都用的是倒数指标,在文中分别用DSDNN和DRMSSD表示。
步骤5,对每位驾驶人在每个行车区间对应的平均心率指标、DSDNN指标和DRMSSD指标分别进行标准化处理,得到每位驾驶人在每个行车区间对应的标准平均心率指标、标准DSDNN指标和标准DRMSSD指标。
步骤5具体包括如下子步骤:
(5a)记所有驾驶人在所有行车区间的任一指标矩阵为X:
其中,N表示驾驶人的总个数,M表示行车区间的总个数,xnm表示第n个驾驶人在第m个行车区间的指标。
当对每位驾驶人在每个行车区间对应的平均心率指标进行标准化处理时,xnm表示第n个驾驶人在第m个行车区间的平均心率指标;
当对每位驾驶人在每个行车区间对应的DSDNN指标进行标准化处理时,xnm表示第n个驾驶人在第m个行车区间的DSDNN指标;
当对每位驾驶人在每个行车区间对应的DRMSSD指标进行标准化处理时,xnm表示第n个驾驶人在第m个行车区间的DRMSSD指标;
(5b)记所有驾驶人在所有行车区间的任一标准化处理后的标准指标矩阵为X*:
其中,xnm *表示第n个驾驶人在第m个行车区间的标准指标;
当对每位驾驶人在每个行车区间对应的平均心率指标进行标准化处理时,xnm *表示第n个驾驶人在第m个行车区间的标准平均心率指标,μ表示所有驾驶人在所有行车区间的平均心率指标的平均值,σ表示所有驾驶人在所有行车区间的平均心率指标的标准差;
当对每位驾驶人在每个行车区间对应的DSDNN指标进行标准化处理时,xnm *表示第n个驾驶人在第m个行车区间的标准DSDNN指标,μ表示所有驾驶人在所有行车区间的DSDNN指标的平均值,σ表示所有驾驶人在所有行车区间的DSDNN指标的标准差;
当对每位驾驶人在每个行车区间对应的DRMSSD指标进行标准化处理时,xnm *表示第n个驾驶人在第m个行车区间的标准DRMSSD指标,μ表示所有驾驶人在所有行车区间的DRMSSD指标的平均值,σ表示所有驾驶人在所有行车区间的DRMSSD指标的标准差。
步骤6,将每个驾驶人在每个行车区间对应的标准平均心率指标、标准DSDNN指标和标准DRMSSD指标作为输入变量,采用SPSS软件建立因子分析模型,得到每个驾驶人在每个行车区间对应的实时因子得分,并将所述实时因子得分作为对应驾驶人在对应行车区间的心理负荷值。
步骤6具体包括如下子步骤:
(6a)将每个驾驶人在每个行车区间对应的标准平均心率指标Z1、标准DSDNN指标Z2和标准DRMSSD指标Z3作为输入变量,采用最大方差法旋转因子后,获取SPSS软件输出的旋转后的因子载荷阵如表2所示,从而建立旋转后的因子分析模型为:
Z1=0.242F1′+0.969F2′
Z2=0.966F′1+0.165F′2
Z3=0.910F′1+0.348F′2
表2旋转后的因子载荷阵
标准化变量 | 公因子1 | 公因子2 |
AVHR | 0.242 | 0.969 |
DSDNN | 0.966 | 0.165 |
DRMSSD | 0.910 | 0.348 |
其中,F′1表示旋转后的第一公因子,F′2表示旋转后的第二公因子,0.242为SPSS软件输出的旋转后的因子载荷阵中第一公因子F′1在标准平均心率指标Z1上的载荷值,0.969为SPSS软件输出的旋转后的因子载荷阵第二公因子F′2在标准平均心率指标Z1上的载荷值;
其中,0.966为SPSS软件输出的旋转后的因子载荷阵第一公因子F′1在标准DSDNN指标Z2上的载荷值,0.165为SPSS软件输出的旋转后的因子载荷阵第二公因子F′2在标准DSDNN指标Z2上的载荷值;
其中,0.910为SPSS软件输出的旋转后的因子载荷阵第一公因子F′1在标准DRMSSD指标Z3上的载荷值,0.348为SPSS软件输出的旋转后的因子载荷阵第二公因子F′2在标准DRMSSD指标Z3上的载荷值;
需要说明的是,因子旋转是因子模型中的一种处理方法,因子旋转的目的,就是在于理清因子与原始变量间的关系,以确立因子间最简单的结构,达到简化的目的,使新的因子具有更鲜明的实际意义,更好地解释因子分析结果。所谓最简单的结构,就是使每一个变量仅在一个公因子上有较大的载荷,而在其他公因子上的载荷比较小。
因子旋转可分为正交旋转和斜交旋转。正交旋转就是指旋转过程中因子之间的轴线夹角为90度,即因子之间的相关设定为0,如最大方差法、最大四次方值法、最大平衡值法。另一种旋转法称为斜交旋转,这种方法允许因子与因子之间具有一定相关性,在旋转过程中同时对于因子的关联情形进行估计,例如最小斜交法、最大斜交法、四方最小法等。
(6b)获取SPSS软件输出的因子得分系数矩阵如表3所示,从而确定第一公因子F1′:
F1′-0.289*Z1+0.633*Z2+0.504*Z3;
确定第二公因子F′2:
F′2=1.080*Z1-0.262*Z2-0.010*Z3;
表3因子得分系数矩阵
标准化变量 | 公因子1 | 公因子2 |
AVHR | -0.289 | 1.080 |
DSDNN | 0.633 | -0.262 |
DRMSSD | 0.504 | -0.010 |
其中,-0.289为SPSS软件输出的因子得分系数矩阵中第一公因子F′1在标准平均心率指标Z1上的得分系数,0.633为SPSS软件输出的因子得分系数矩阵中第一公因子F′1在标准DSDNN指标Z2上的得分系数,0.504为SPSS软件输出的因子得分系数矩阵中第一公因子F′1在标准DRMSSD指标Z3上的得分系数;
其中,1.080为SPSS软件输出的因子得分系数矩阵中第二公因子F′2在标准平均心率指标Z1上的得分系数,-0.262为SPSS软件输出的因子得分系数矩阵中第二公因子F′2在标准DSDNN指标Z2上的得分系数,-0.010为SPSS软件输出的因子得分系数矩阵中第二公因子F′2在标准DRMSSD指标Z3上的得分系数;
(6c)获取SPSS软件输出的总方差解释表,如表4所示,并根据所述第一公因子F′1和第二公因子F′2,得到每个驾驶人在每个行车区间对应的实时因子得分s:
所述实时因子得分即为对应驾驶人在对应行车区间的心理负荷值;
表4总方差解释表
其中,0.9692为SPSS软件输出的总方差解释表中第一公因子F1′和第二公因子F′2解释方差百分比的和,0.6068为SPSS软件输出的总方差解释表中第一公因子F′1解释方差的百分比,0.3624为SPSS软件输出的总方差解释表中第二公因子F′2解释方差的百分比。
需要补充的是,最后可以将每个驾驶人在每个行车区间对应的实时因子得分S采用极值法进行变换,将其转换在区间[0,1]之间,得到对应驾驶人在对应行车区间的实时心理负荷值,且得分越高,心理负荷越高。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种基于因子分析的特长隧道环境驾驶人心理负荷测量方法,其特征在于,所述方法包括如下步骤:
步骤1,确定特长隧道,将所述特长隧道分为入口段、行车段和出口段;并将特长隧道的入口段、行车段和出口段平均划分为多个行车区间;
步骤2,采集多位驾驶人通过所述特长隧道过程中在每个采样点处的心电信号,所述心电信号包括心率值和RR间期值;且每个行车区间设置多个采样点;
步骤3,分别计算每位驾驶人通过每个行车区间内的平均心率AVHR、每个行车区间内RR间期值的标准差SDNN,以及每个行车区间内相邻两个RR间期差值的均方根RMSSD;
步骤4,对每位驾驶人在每个行车区间内RR间期值的标准差SDNN取倒数,记为DSDNN指标,以及对每位驾驶人在每个行车区间内相邻两个RR间期差值的均方根RMSSD取倒数,记为DRMSSD指标;从而当驾驶人在某个行车区间的心理负荷增加时,该驾驶人在该行车区间对应的平均心率指标、DSDNN指标和DRMSSD指标分别增大;
步骤5,对每位驾驶人在每个行车区间对应的平均心率指标、DSDNN指标和DRMSSD指标分别进行标准化处理,得到每位驾驶人在每个行车区间对应的标准平均心率指标、标准DSDNN指标和标准DRMSSD指标;
步骤6,将每个驾驶人在每个行车区间对应的标准平均心率指标、标准DSDNN指标和标准DRMSSD指标作为输入变量,采用SPSS软件建立因子分析模型,得到每个驾驶人在每个行车区间对应的实时因子得分,并将所述实时因子得分作为对应驾驶人在对应行车区间的心理负荷值。
3.根据权利要求2所述的一种基于因子分析的特长隧道环境驾驶人心理负荷测量方法,其特征在于,步骤5具体包括如下子步骤:
(5a)记所有驾驶人在所有行车区间的任一指标矩阵为X:
其中,N表示驾驶人的总个数,M表示行车区间的总个数,xnm表示第n个驾驶人在第m个行车区间的指标;
当对每位驾驶人在每个行车区间对应的平均心率指标进行标准化处理时,xnm表示第n个驾驶人在第m个行车区间的平均心率指标;
当对每位驾驶人在每个行车区间对应的DSDNN指标进行标准化处理时,xnm表示第n个驾驶人在第m个行车区间的DSDNN指标;
当对每位驾驶人在每个行车区间对应的DRMSSD指标进行标准化处理时,xnm表示第n个驾驶人在第m个行车区间的DRMSSD指标;
(5b)记所有驾驶人在所有行车区间的任一标准化处理后的标准指标矩阵为X*:
其中,xnm *表示第n个驾驶人在第m个行车区间的标准指标;
当对每位驾驶人在每个行车区间对应的平均心率指标进行标准化处理时,xnm *表示第n个驾驶人在第m个行车区间的标准平均心率指标,μ表示所有驾驶人在所有行车区间的平均心率指标的平均值,σ表示所有驾驶人在所有行车区间的平均心率指标的标准差;
当对每位驾驶人在每个行车区间对应的DSDNN指标进行标准化处理时,xnm *表示第n个驾驶人在第m个行车区间的标准DSDNN指标,μ表示所有驾驶人在所有行车区间的DSDNN指标的平均值,σ表示所有驾驶人在所有行车区间的DSDNN指标的标准差;
当对每位驾驶人在每个行车区间对应的DRMSSD指标进行标准化处理时,xnm *表示第n个驾驶人在第m个行车区间的标准DRMSSD指标,μ表示所有驾驶人在所有行车区间的DRMSSD指标的平均值,σ表示所有驾驶人在所有行车区间的DRMSSD指标的标准差。
4.根据权利要求3所述的一种基于因子分析的特长隧道环境驾驶人心理负荷测量方法,其特征在于,步骤6具体包括如下子步骤:
(6a)将每个驾驶人在每个行车区间对应的标准平均心率指标Z1、标准DSDNN指标Z2和标准DRMSSD指标Z3作为输入变量,采用最大方差法旋转因子后,获取SPSS软件输出的旋转后的因子载荷阵,从而建立旋转后的因子分析模型为:
Z1=0.242F1′+0.969F2′
Z2=0.966F1′+0.165F2′
Z3=0.910F1′+0.348F2′
其中,F1′表示旋转后的第一公因子,F2′表示旋转后的第二公因子,0.242为SPSS软件输出的旋转后的因子载荷阵中第一公因子F1′在标准平均心率指标Z1上的载荷值,0.969为SPSS软件输出的旋转后的因子载荷阵第二公因子F2′在标准平均心率指标Z1上的载荷值;
其中,0.966为SPSS软件输出的旋转后的因子载荷阵第一公因子F1′在标准DSDNN指标Z2上的载荷值,0.165为SPSS软件输出的旋转后的因子载荷阵第二公因子F2′在标准DSDNN指标Z2上的载荷值;
其中,0.910为SPSS软件输出的旋转后的因子载荷阵第一公因子F1′在标准DRMSSD指标Z3上的载荷值,0.348为SPSS软件输出的旋转后的因子载荷阵第二公因子F2′在标准DRMSSD指标Z3上的载荷值;
(6b)获取SPSS软件输出的因子得分系数矩阵,从而确定第一公因子F1′:
F1′=-0.289*Z1+0.633*Z2+0.504*Z3;
确定第二公因子F2′:
F2′=1.080*Z1-0.262*Z2-0.010*Z3;
其中,-0.289为SPSS软件输出的因子得分系数矩阵中第一公因子F1′在标准平均心率指标Z1上的得分系数,0.633为SPSS软件输出的因子得分系数矩阵中第一公因子F1′在标准DSDNN指标Z2上的得分系数,0.504为SPSS软件输出的因子得分系数矩阵中第一公因子F1′在标准DRMSSD指标Z3上的得分系数;
其中,1.080为SPSS软件输出的因子得分系数矩阵中第二公因子F2′在标准平均心率指标Z1上的得分系数,-0.262为SPSS软件输出的因子得分系数矩阵中第二公因子F2′在标准DSDNN指标Z2上的得分系数,-0.010为SPSS软件输出的因子得分系数矩阵中第二公因子F2′在标准DRMSSD指标Z3上的得分系数;
(6c)获取SPSS软件输出的总方差解释表,并根据所述第一公因子F1′和第二公因子F2′,得到每个驾驶人在每个行车区间对应的实时因子得分S:
所述实时因子得分即为对应驾驶人在对应行车区间的心理负荷值;
其中,0.9692为SPSS软件输出的总方差解释表中第一公因子F1′和第二公因子F2′解释方差百分比的和,0.6068为SPSS软件输出的总方差解释表中第一公因子F1′解释方差的百分比,0.3624为SPSS软件输出的总方差解释表中第二公因子F2′解释方差的百分比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710452982.1A CN107348964B (zh) | 2017-06-15 | 2017-06-15 | 基于因子分析的特长隧道环境驾驶人心理负荷测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710452982.1A CN107348964B (zh) | 2017-06-15 | 2017-06-15 | 基于因子分析的特长隧道环境驾驶人心理负荷测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107348964A CN107348964A (zh) | 2017-11-17 |
CN107348964B true CN107348964B (zh) | 2020-06-19 |
Family
ID=60272852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710452982.1A Expired - Fee Related CN107348964B (zh) | 2017-06-15 | 2017-06-15 | 基于因子分析的特长隧道环境驾驶人心理负荷测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107348964B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102198294B1 (ko) * | 2018-08-28 | 2021-01-05 | (주)마인드아이 | 비접촉 영상 시스템을 이용한 뇌피로 평가 방법 및 장치 |
CN112985328B (zh) * | 2021-02-26 | 2022-08-09 | 山东省交通规划设计院集团有限公司 | 一种隧道侧向余宽确定方法及系统 |
CN113657752B (zh) * | 2021-08-17 | 2022-05-31 | 西安航空学院 | 基于驾驶行为指标的不同长度隧道行车风险量化评价方法 |
CN115192026B (zh) * | 2022-06-09 | 2023-05-16 | 石家庄铁道大学 | 隧道驾驶负荷监测方法及终端 |
CN116305495A (zh) * | 2023-05-16 | 2023-06-23 | 四川省公路规划勘察设计研究院有限公司 | 一种隧道群驾驶平稳度模型设计方法、评价方法、设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9418494B2 (en) * | 2011-11-04 | 2016-08-16 | Thinkware Corporation | Apparatus and method for providing real-time information using analysis factor based on road and traffic conditions |
CN104978853B (zh) * | 2014-04-01 | 2017-11-21 | 中国移动通信集团公司 | 一种道路交通安全评估方法及系统 |
CN104200283B (zh) * | 2014-08-27 | 2017-06-13 | 华北电力大学 | 一种基于因子‑主属性模型的中长期电力负荷预测方法 |
CN104794897B (zh) * | 2015-04-27 | 2017-03-01 | 山东交通学院 | 动态行车环境下确定隧道出入口线形一致性特征参数的方法 |
-
2017
- 2017-06-15 CN CN201710452982.1A patent/CN107348964B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN107348964A (zh) | 2017-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107348964B (zh) | 基于因子分析的特长隧道环境驾驶人心理负荷测量方法 | |
CN109785976B (zh) | 一种基于Soft-Voting的痛风病分期预测系统 | |
CN109858104B (zh) | 一种滚动轴承健康评估与故障诊断方法及监测系统 | |
CN111261282A (zh) | 一种基于机器学习的脓毒症早期预测方法 | |
US11039784B2 (en) | Sleep profiling system with feature generation and auto-mapping | |
US9848784B2 (en) | Method for determining the physical and/or psychological state of a subject | |
Barton et al. | Data reduction for cough studies using distribution of audio frequency content | |
CN102085095A (zh) | 一种检测心电图中st段的方法、系统和心电检测仪器 | |
US10241973B2 (en) | System and method for reducing size of raw data by performing time-frequency data analysis | |
CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
CN106580350A (zh) | 一种疲劳状况监测方法及装置 | |
CN109360657B (zh) | 一种医院感染数据的样本选取的时间段推理方法 | |
CN111803065A (zh) | 一种基于脑电数据的危险交通场景辨识方法及系统 | |
CN111067513B (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
Razi et al. | Sleep apnea classification using random forest via ECG | |
CN115563484A (zh) | 一种基于生理唤醒识别的街道绿化品质检测方法 | |
Kovantsev et al. | Analysis of multivariate time series predictability based on their features | |
CN117064333B (zh) | 一种针对阻塞性睡眠呼吸暂停低通气综合症的初筛装置 | |
CN114464319B (zh) | 一种基于慢特征分析和深度神经网络的ams易感性评估系统 | |
CN107783942B (zh) | 一种异常行为检测方法及装置 | |
CN109461480B (zh) | 一种医院感染数据缺失的增量式更新方法 | |
CN115067910A (zh) | 一种心率变异性压力检测方法、装置、存储介质以及系统 | |
Li et al. | Efficient ECG classification method for arrhythmia using MODWPT and adaptive incremental broad learning | |
Shams et al. | Fuzzy model for detection and estimation of the degree of autism spectrum disorder | |
LU505334B1 (en) | Infectious disease trend prediction system and method based on big data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20181106 Address after: 710064 middle two ring road, Xi'an, Shaanxi Applicant after: Changan Univ. Applicant after: Xi'an Aeronautical University Address before: 710064 South Second Ring middle section of Xi'an City, Shaanxi Province, No. 33 Applicant before: Changan Univ. |
|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200619 Termination date: 20210615 |