CN109953757A - 面向持续追踪控制与射击类任务脑力负荷实时监测方法 - Google Patents

Abstract

本发明公开了一种面向持续追踪控制与射击类任务脑力负荷实时监测方法及系统。检测方法包括：面向复杂的实际操作任务，如连续追踪射击任务，获取脑电原始数据；对所述脑电原始数据进行自动化处理、降噪、去伪迹，以得到干净脑电信号；从干净脑电信号中提取特征数据；对所述特征数据进行分类，得到脑力负荷分类，识别脑力负荷水平及微弱的脑力负荷差异，准确掌握操作者脑功能状态。本发明的方法面向实际任务，可用于复杂实际操作任务，如连续追踪射击任务，能够识别极其微弱的脑力负荷差异，可自动去噪、提取特征和脑力负荷分类，准确掌握脑功能状态，根据设定的脑力负荷状态可准确掌握操作者脑功能状态。

Description

面向持续追踪控制与射击类任务脑力负荷实时监测方法

技术领域

本发明涉及生命科学技术领域，特别涉及一种面向持续追踪控制与射击类任务脑力负荷实时监测方法及系统。

背景技术

脑电分析工具提供了较全面的脑电信号预处理过程以及代码实现，包括有脑电信号的读取、时间序列的画图呈现以及信号的滤波、独立分类分析、时间/频率分析等基础功能。但缺少脑电信号各类特征的提取功能，更没有通过脑电信号的分析对脑力负荷进行评估以及在线和离线分类检测的功能。

此外，融合脑电、心电、近红外等多种生理参数的脑力负荷实时在线检测软件目前并没有相关的软件。目前对脑电信号的特征提取有较多的方法，但都没有对这些方法进行集成软件平台，使用上推广性有限。

发明内容

本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种面向持续追踪控制与射击类任务脑力负荷实时监测方法。该方法用于处理操作人员在操控特定装备过程中，如连续追踪射击的脑力负荷等大脑功能状态情况，以便于准确的掌握其疲劳度、警觉度等神经生理状态，并及时进行有效干预，进而提高操作人员操作效能、减少人误事件的发生。

本发明的另一个目的在于提出一种面向持续追踪控制与射击类任务脑力负荷实时监测系统。

为了实现上述目的，本发明的第一方面的实施例公开了一种面向持续追踪控制与射击类任务脑力负荷实时监测方法，包括以下步骤：面向复杂的实际操作任务，包括连续追踪射击任务，获取脑电原始数据；对所述脑电原始数据进行自动化处理、降噪、去伪迹，以得到干净脑电信号；从所述干净脑电信号中提取特征数据；对所述特征数据进行分类，得到脑力负荷分类，识别脑力负荷水平及微弱的脑力负荷差异，以准确掌握操作者脑功能状态。

根据本发明实施例的面向持续追踪控制与射击类任务脑力负荷实时监测方法，用于处理操作人员在操控特定装备过程中，如连续追踪射击的脑力负荷等大脑功能状态情况，以便于准确的掌握其疲劳度、警觉度等神经生理状态，并及时进行有效干预，进而提高操作人员操作效能、减少人误事件的发生。通过对执行不同任务人员脑电信号的采集，应用信号处理的方法，对其进行降噪，伪迹去除、分段等预处理，并进行脑电的节律特征、能量特征、非线性特征等特征的提取与分类，进行脑力负荷的分析与不同任务负荷水平的识别。本发明的方法与现有的自发脑电分析工具相比，一方面对现有的自发脑电信号分析方法进行了改进和集成，提高了特征算法的准确性和有效性的同时，通过模块化交互平台的设计方式，使得脑电信号分析更加简单、方便；另一方面，本发明的方法实现了利用脑电信号对不同任务过程中人员的脑力负荷水平进行监测和识别分类

该方法面向实际任务，可用于复杂实际操作任务，如连续追踪射击任务，能够识别极其微弱的脑力负荷差异，可自动去噪、提取特征和脑力负荷分类，准确掌握脑功能状态，根据设定的脑力负荷状态可准确掌握操作者脑功能状态。

在一些示例中，所述获取脑电原始数据包括：进行全局设置，并在设置完成后生成所述脑电原始数据。

在一些示例中，所述对所述脑电原始数据进行自动化处理、降噪、去伪迹，以得到干净脑电信号，包括：依次对所述脑电原始数据进行滤波、提取波形、功率谱计算、复杂度计算、分形维度计算、近似熵计算、样本熵计算、小波熵计算、相位同步计算和均值频谱计算。

在一些示例中，所述对所述特征数据进行分类，得到脑力负荷分类，识别脑力负荷水平及微弱的脑力负荷差异，以准确掌握操作者脑功能状态，包括离线分析过程，其中，所述离线分析过程包括：对脑电信号进行滤波；根据标记对脑电信号进行分段；根据分段对脑电信号的特征进行计算；根据类别对特征进行处理；对所述特征进行五份交叉检验以识别所述脑力负荷水平。

在一些示例中，所述对所述特征数据进行分类，得到脑力负荷分类，识别脑力负荷水平及微弱的脑力负荷差异，以准确掌握操作者脑功能状态，包括在线分析过程，其中，所述在线分析过程包括：对脑电信号进行降噪处理；计算当前被试的训练样本特征；以训练样本特征进行分类器训练并保存训练所得的模型；按顺序读取当前被试的脑电信号；每间隔预定时间计算一次所述脑电信号的特征；根据所述模型对所述特征进行分类识别，以确定所述脑力负荷水平。

本发明第二方面的实施例公开了一种面向持续追踪控制与射击类任务脑力负荷实时监测系统，包括：获取模块，用于面向复杂的实际操作任务，包括连续追踪射击任务，获取脑电原始数据；预处理模块，用于对所述脑电原始数据进行自动化处理、降噪、去伪迹，以得到干净脑电信号；提取模块，用于从所述干净脑电信号中提取特征数据；识别模块，用于对所述特征数据进行分类，得到脑力负荷分类，识别脑力负荷水平及微弱的脑力负荷差异，以准确掌握操作者脑功能状态。

根据本发明实施例的面向持续追踪控制与射击类任务脑力负荷实时监测系统，用于处理操作人员在操控特定装备过程中，如连续追踪射击的脑力负荷等大脑功能状态情况，以便于准确的掌握其疲劳度、警觉度等神经生理状态，并及时进行有效干预，进而提高操作人员操作效能、减少人误事件的发生。通过对执行不同任务人员脑电信号的采集，应用信号处理的方法，对其进行降噪，伪迹去除、分段等预处理，并进行脑电的节律特征、能量特征、非线性特征等特征的提取与分类，进行脑力负荷的分析与不同任务负荷水平的识别。本发明的系统与现有的自发脑电分析工具相比，一方面对现有的自发脑电信号分析方法进行了改进和集成，提高了特征算法的准确性和有效性的同时，通过模块化交互平台的设计方式，使得脑电信号分析更加简单、方便；另一方面，本发明的系统实现了利用脑电信号对不同任务过程中人员的脑力负荷水平进行监测和识别分类。

该系统面向实际任务，可用于复杂实际操作任务，如连续追踪射击任务，能够识别极其微弱的脑力负荷差异，可自动去噪、提取特征和脑力负荷分类，准确掌握脑功能状态，根据设定的脑力负荷状态可准确掌握操作者脑功能状态。

在一些示例中，所述获取模块用于进行全局设置，并在设置完成后生成所述脑电原始数据。

在一些示例中，所述预处理模块用于依次对所述脑电原始数据进行滤波、提取波形、功率谱计算、复杂度计算、分形维度计算、近似熵计算、样本熵计算、小波熵计算、相位同步计算和均值频谱计算。

在一些示例中，所述识别模块包括离线分析识别模块，其中，所述离线分析识别模块用于：对脑电信号进行滤波；根据标记对脑电信号进行分段；根据分段对脑电信号的特征进行计算；根据类别对特征进行处理；对所述特征进行五份交叉检验以识别所述脑力负荷水平。

在一些示例中，所述识别模块包括在线分析识别模块，其中，所述在线分析识别模块用于：对脑电信号进行降噪处理；计算当前被试的训练样本特征；以训练样本特征进行分类器训练并保存训练所得的模型；按顺序读取当前被试的脑电信号；每间隔预定时间计算一次所述脑电信号的特征；根据所述模型对所述特征进行分类识别，以确定所述脑力负荷水平。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述的或附加的方面和优点结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本发明一个实施例的面向持续追踪控制与射击类任务脑力负荷实时监测方法的流程图；

图2是根据本发明一个实施例的面向持续追踪控制与射击类任务脑力负荷实时监测方法的示意图；

图3是根据本发明第二个实施例的面向持续追踪控制与射击类任务脑力负荷实时监测方法的示意图；

图4是根据本发明第三个实施例的面向持续追踪控制与射击类任务脑力负荷实时监测方法的示意图；

图5是根据本发明第四个实施例的面向持续追踪控制与射击类任务脑力负荷实时监测方法的示意图；以及

图6是根据本发明第五个实施例的面向持续追踪控制与射击类任务脑力负荷实时监测方法的示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

以下结合附图描述根据本发明实施例的面向持续追踪控制与射击类任务脑力负荷实时监测方法及系统。

图1是根据本发明一个实施例的面向持续追踪控制与射击类任务脑力负荷实时监测方法的流程图。如图1所示，根据本发明一个实施例的面向持续追踪控制与射击类任务脑力负荷实时监测方法，包括如下步骤：

S101：面向复杂的实际操作任务，如连续追踪射击任务(如追踪射击任务、多任务等)，获取脑电原始数据。其中，获取脑电原始数据包括：进行全局设置，并在设置完成后生成所述脑电原始数据。

S102：对所述脑电原始数据进行自动化处理、降噪、去伪迹，以得到干净脑电信号。其中，对所述干净脑电原始数据进行预处理，以得到脑电信号，包括：依次对所述脑电原始数据进行滤波、提取波形、功率谱计算、复杂度计算、分形维度计算、近似熵计算、样本熵计算、小波熵计算、相位同步计算和均值频谱计算。

S103：从所述干净脑电信号中提取特征数据。

S104：对所述特征数据进行分类，得到脑力负荷分类，识别脑力负荷水平及微弱的脑力负荷差异，以准确掌握操作者脑功能状态。

对所述特征数据进行分类，得到脑力负荷分类，识别脑力负荷水平及微弱的脑力负荷差异，以准确掌握操作者脑功能状态，包括离线分析过程，其中，所述离线分析过程包括：对脑电信号进行滤波；根据标记对脑电信号进行分段；根据分段对脑电信号的特征进行计算；根据类别对特征进行处理；对所述特征进行五份交叉检验以识别所述脑力负荷水平。

另外，对所述特征数据进行分类，得到脑力负荷分类，识别脑力负荷水平及微弱的脑力负荷差异，以准确掌握操作者脑功能状态，其中，所述在线分析过程包括：对脑电信号进行降噪处理；计算当前被试的训练样本特征；以训练样本特征进行分类器训练并保存训练所得的模型；按顺序读取当前被试的脑电信号；每间隔预定时间计算一次所述脑电信号的特征；根据所述模型对所述特征进行分类识别，以确定所述脑力负荷水平。

例如：

(1)全局设置，实现数据目录选择和采用频率设置。

(2)生成数据，实现对选择的原始数据的处理，并输出处理后的数据文件。

通过调用eeglab工具包,将脑电原始数据文件转换为matlab直接可读的.mat数据文件,包括有hdrfilename.mat、脑电数据.mat、任务事件.mat三个数据文件。

用户只需选择原始脑电数据的路径即可点击生成数据按键执行该功能

(3)数据滤波，实现对选择的数据的滤波预处理，能够设置伪迹去除方式和电极选择，并输出数据滤波后的数据文件。数据滤波包括有滤波和去伪迹两项内容。滤波使用matlab自带的带通滤波器进行滤波，滤波频率可选择。去伪迹包括有三种方法：semlitsch法、减法、ICA法，目前根据实验数据的需求主要使用semlitsch去伪迹。去伪迹在滤波之后自动进行。

该功能需要用户对脑电数据文件进行选择，输入带通滤波的高低频率范围，选择伪迹去除的方法，最后根据数据类型选择需要处理的脑电电极通道，点击数据滤波按键即可得到脑电预处理后的数据文件semlitsch消除伪迹信号、伪迹减法消除伪迹信号等，并在界面中显示出预处理后数据以及脑电波形。

(4)提取波形，实现对选择的数据的处理，并输出提取的不同频段波形的数据文件。

波形提取主要为了后续进行脑电特征分析生成不同频段的波形数据文件，从低频到高频包括有delta波(1～4Hz)、theta波(4～7Hz)、alpha波(8～14Hz)、beta波(15～30Hz)、gamma波(31～40Hz)等5种频段波形，并生成delta能量变化趋势.mat、theta能量变化趋势.mat、alpha能量变化趋势.mat、beta能量变化趋势.mat、gamma能量变化趋势.mat等5个波形的能量变化趋势数据文件。

用户只需选择用于生成不同波形的脑电数据文件即可，可选择预处理前或处理后的脑电数据文件，点击提取波形即可在相应文件夹生成数据文件。

(5)功率谱计算，实现对数据文件功率谱特征的计算，能够选择电极、设置分段方式，并输出功率谱特征数据文件和相关脑地形图图片。

通过用matlab自带功率谱密度函数计算出上述提取的5种波形(各个导联通道)的功率谱能量值以及总的功率谱能量值，并通过将各个波形的功率谱能量值进行求比值计算出各个特征值，包括：(alpha+beta)/theta、alpha/beta、theta/beta、(alpha+theta)/beta、(alpha+theta)/(alpha+beta)等功率谱比值特征参数，生成分段功率谱.xlsx数据文件，以及每个时间段的5个波形对应的脑电地形图。

用户需选择脑电数据相应的导联信息文件(.loc文件)和需要计算的脑电导联通道编号后，需要选择对脑电数据进行分段处理的段数，之后即可点击功率谱计算执行该功能。分段方式有两种，一种是按照脑电信号的时间进行平均分段，用户只需输入段数即可；第二种为依据每段的脑电信号时间长度进行分段，用户需要输入分段的时长。

(6)复杂度计算，实现对数据文件的复杂度计算，能够选择电极、设置分段方式，并生成特征数据文件。

复杂度计算采用的是Lempel-Ziv复杂度算法(简称LZC)对脑电信号进行分析，LZC表征一个时间序列里出现新模式的速率，复杂度越大，信号越混乱，动力学行为越复杂。传统的LZC复杂度算法是建立在脑电二重粗粒化的基础之上，不能充分反映脑电的复杂结构，本研究先将脑电进行四重粗粒化，在此基础上计算脑电的LZC四重复复杂度。

用户只需输入所需要计算的导联通道和分段情况即可点击复杂度计算执行该功能，生成分段4重复杂度值.xlsx数据文件。分段方式有两种，一种是按照脑电信号的时间进行平均分段，用户只需输入段数即可；第二种为依据每段的脑电信号时间长度进行分段，用户需要输入分段的时长。

(7)分形维度计算，实现对数据文件分形维度的计算，能够选择电极、设置分段方式，并生成特征数据文件。

分形维数反映复杂形体充满空间的程度，可作为其不规则性的量度。脑电信号具有内建的自相似性，分形维数能够定量的描述脑电信号的非规则程度，刻画信号的复杂性。该分形维数计算功能通过采用几何分形维数算法，对脑电信号进行分析。

用户只需输入所需要计算的导联通道和分段情况即可点击分形维数计算执行该功能，生成分段几何分形维数.xlsx数据文件。分段方式有两种，一种是按照脑电信号的时间进行平均分段，用户只需输入段数即可；第二种为依据每段的脑电信号时间长度进行分段，用户需要输入分段的时长。

(8)近似熵计算，实现对数据文件的近似熵特征提取，能够选择电极、设置分段方式，并生成特征数据文件。

近似熵一样适用于短时数据的复杂度度量的非线性动力学参数。主要反映时间序列产生新模式的概率大小，近似熵值越大则脑电序列越复杂，时间序列产生新模式的概率越大，系统越趋近于随机状态，包含的频率成分越丰富；反之信号越有序且包含的频谱越窄。近似熵计算采用传统的近似熵算法对脑电信号进行分析。

用户只需输入所需要计算的导联通道和分段情况即可点击近似熵计算执行该功能，生成3分段法的近似熵.xlsx数据文件。分段方式有两种，一种是按照脑电信号的时间进行平均分段，用户只需输入段数即可；第二种为依据每段的脑电信号时间长度进行分段，用户需要输入分段的时长。

(9)样本熵计算，实现对数据文件样本熵的计算，能够选择电极、设置分段方式，并生成特征数据文件。

样本熵是一种类似于近似熵的不计量自身匹配的统计方法，比近似熵所需的样本量更少，一致性相对更好。样本熵计算采用传统的样本熵算法对脑电信号进行分析。

用户只需输入所需要计算的导联通道和分段情况即可点击样本熵计算执行该功能，生成3分段法的样本熵.xlsx数据文件。分段方式有两种，一种是按照脑电信号的时间进行平均分段，用户只需输入段数即可；第二种为依据每段的脑电信号时间长度进行分段，用户需要输入分段的时长。

(10)小波熵计算，实现对数据文件小波熵的计算，能够选择电极、设置分段方式，并生成特征数据文件。

小波熵计算通过把脑电信号进行小波变换，将变换的系数矩阵处理成一个概率分布序列，并计算其熵值而得到。小波熵反映了系数矩阵的稀疏程度和脑电信号的概率分布的有序程度，信号越无序，熵值越大。

用户只需输入所需要计算的导联通道和分段情况即可点击小波熵计算执行该功能，生成分段法的小波熵.xlsx数据文件。分段方式有两种，一种是按照脑电信号的时间进行平均分段，用户只需输入段数即可；第二种为依据每段的脑电信号时间长度进行分段，用户需要输入分段的时长。

(11)相位同步计算，实现对数据文件相位同步特征的计算，能够选择电极、设置分段方式，并生成特征数据文件。

相位同步计算用于分析左右脑区域的相位锁定值，用户点击相位同步计算执行该功能，生成复杂任务左右脑相位同步分析(29对).xlsx数据文件。

(12)均值频谱计算，实现对原始数据文件均值频谱的计算，能够选择电极、设置分段方式，并在界面上显示特征数据。

根据前文给出的分段脑电数据，采用采用平均周期图法得到EEG信号的功率谱。而后将其分成五个标准频段δ、θ、α、β(β1、β2)、γ，分别计算这五个频段的频谱能量Pδ、Pθ、Pα、Pβ(Pβ1、Pβ2)、Pγ及总能量P，及反应频谱趋势的斜率和截距。

用户只需输入需要计算的脑电数据和分段情况即可点击均值频谱计算执行该功能，均值频谱计算.xlsx数据文件。分段信息平均周期图法的总长度和步长。

(13)射击任务实验离线分析

实现完成射击任务实验的离线分析任务。以两秒为数据段，进行脑力任务难度分类判别。

输入数据为射击任务实验采集的脑电数据。

1.对数据进行低通、陷波与高通处理。

2.根据标记对数据进行分段。

3.根据分段对信号的特征进行计算。

4.根据类别对特征集进行处理。

5.进行五份交叉检验，分类方式涉及SVM(线性与RBF核)、Fisher与贝叶斯判别。

最终输出结果为分类器的交叉检验得到的正确率、灵敏度、特异度。

数据结果将保存在matlab的工作空间，用户可根据自行需求进行后续操作。

(14)射击任务实验在线分析1，如图2所示。

射击任务实验在线分析1为模拟在线形式，可实现对单个被试采集的射击任务实验数据进行模拟在线检测。以三个脑力任务难度的各一组作为训练集，另外两组作为测试集，进行分析，测试阶段以每2秒的信号为一段样本，实时输出判别结果。

输入参数为：被试的三个难度的训练数据与测试数据。输入结果为实时判别结果，以及最终各类别的准确率、灵敏度、特异度。并绘制所有数据被试数据的正确率统计图。

模拟在线模块的内部计算流程如下：

1.对数据进行降噪处理。

2.计算当前被试的训练样本特征

3.以训练样本特征进行分类器训练并保存训练所得的模型。

4.按顺序读取当前被试的各组测试数据

5.每2秒计算一次样本的特征

6.采用第三步得到的模型进行分类识别，并输出结果

7.重复5、6直至当前被试的数据均测试完毕

8.重复1～7直至所有被试的数据均测试完毕。

9.输出所有被试的测试准确率、灵敏度、特异度并绘图统计。

(15)射击任务实验在线分析2，如图3所示。

射击任务实验在线分析2与在线分析1类似，同为模拟在线形式，可实现对单个被试采集的射击任务实验数据进行模拟在线检测。区别在于分析2以三个脑力任务难度的各一组作为训练集，另外一组作为测试集，进行分析，测试阶段以每2秒的信号为一段样本，实时输出判别结果。

分析2相比较分析1，降低了对脑力疲劳因素的干扰，可得到更好的分析结果。

(16)射击任务实验在线分析3，如图4所示。

射击任务实验在线分析3在分析2的基础上，进一步缩小训练样本与测试样本在时间尺度上的差异，以三个脑力任务难度的各一组的前半部分作为训练集，后半部分作为测试集，进行分析，测试阶段以每2秒的信号为一段样本，实时输出判别结果。

(17)补偿追踪实验，实现完成分析任务。

补偿追踪实验任务模块是根据任务实验要求，按照实验过程中脑电的标记，将脑电信号按照每个trial分段，每段再按照认知过程分为的实验开始到突变刺激发生阶段、知觉阶段、判断阶段、决策阶段、调节追踪共5个阶段。计算每个阶段的脑电信号的功率谱特征、四重复复杂度、几何分形维数、近似熵、样本熵等特征，并生成相应的xlsx数据文件。

用户只需要选择脑电数据所在目录，相应的导联通道信息文件(.loc文件)，以及采样率和所需计算的导联通道信息即可点击开始计算按键执行该项功能。改集成模块的好处是用于对多个脑电数据样本进行批量处理。

(18)机械臂对接任务，实现完成分析任务

机械臂对接任务模块是用于批量处理机械臂对接任务脑电数据的集成模块。该模块分为三个部分，分别是生成脑电数据(处理步骤1)、脑电数据预处理(处理步骤2)、提取波形和特征计算(处理步骤3)。该模块可用于批量计算多个脑电信号数据样本的功率谱特征、四重复复杂度、几何分形维数、近似熵、样本熵等特征，并生成相应的xlsx数据文件。

用户只需要选择脑电数据所在目录，相应的导联通道信息文件(.loc文件)，以及采样率、所需计算的导联通道信息和分段段数即可点击开始计算按键执行该项功能。分段方式是按照脑电信号的时间进行平均分段，用户只需输入段数即可。

(19)nback实验分析，实现完成分析任务，详细输入如图5所示。

(20)离线降噪，用于对脑电数据进行离线降噪。采用FIR滤波器设计低通、高通、陷波器。输入参数为读取到工作空间中的脑电信号数据的导联数。第输出结果即是降噪后的数据信号。

实例1：综合任务——射击任务实验在线分析1

首先选择需要分形的脑电数据所占文件夹，输入脑电信号采集时的采样率以及导联的通道数，电极在线分析运行如图6所示。

根据本发明实施例的面向持续追踪控制与射击类任务脑力负荷实时监测方法，用于处理操作人员在操控特定装备过程中，如连续追踪射击的脑力负荷等大脑功能状态情况，以便于准确的掌握其疲劳度、警觉度等神经生理状态，并及时进行有效干预，进而提高操作人员操作效能、减少人误事件的发生。通过对执行不同任务人员脑电信号的采集，应用信号处理的方法，对其进行降噪，伪迹去除、分段等预处理，并进行脑电的节律特征、能量特征、非线性特征等特征的提取与分类，进行脑力负荷的分析与不同任务负荷水平的识别。本发明的方法与现有的自发脑电分析工具相比，一方面对现有的自发脑电信号分析方法进行了改进和集成，提高了特征算法的准确性和有效性的同时，通过模块化交互平台的设计方式，使得脑电信号分析更加简单、方便；另一方面，本发明的方法实现了利用脑电信号对不同任务过程中人员的脑力负荷水平进行监测和识别分类。

该方法面向实际任务，可用于复杂实际操作任务，如连续追踪射击任务，能够识别极其微弱的脑力负荷差异，可自动去噪、提取特征和脑力负荷分类，准确掌握脑功能状态，根据设定的脑力负荷状态可准确掌握操作者脑功能状态。

进一步地，本发明的实施例公开了一种面向持续追踪控制与射击类任务脑力负荷实时监测系统，包括：获取模块，用于面向复杂的实际操作任务，如连续追踪射击任务，获取脑电原始数据；预处理模块，用于对所述脑电原始数据进行自动化处理、降噪、去伪迹，以得到干净脑电信号；提取模块，用于从所述干净脑电信号中提取特征数据；识别模块，用于对所述特征数据进行分类，得到脑力负荷分类，识别脑力负荷水平及微弱的脑力负荷差异，以准确掌握操作者脑功能状态。

在本发明的一个实施例中，所述获取模块用于进行全局设置，并在设置完成后生成所述脑电原始数据。

在本发明的一个实施例中，所述预处理模块用于依次对所述脑电原始数据进行滤波、提取波形、功率谱计算、复杂度计算、分形维度计算、近似熵计算、样本熵计算、小波熵计算、相位同步计算和均值频谱计算。

在本发明的一个实施例中，所述识别模块包括离线分析识别模块，其中，所述离线分析识别模块用于：

对脑电信号进行滤波；

根据标记对脑电信号进行分段；

根据分段对脑电信号的特征进行计算；

根据类别对特征进行处理；

对所述特征进行五份交叉检验以识别所述脑力负荷水平。

在本发明的一个实施例中，所述识别模块包括在线分析识别模块，其中，所述在线分析识别模块用于：

对脑电信号进行降噪处理；

计算当前被试的训练样本特征；

以训练样本特征进行分类器训练并保存训练所得的模型；

按顺序读取当前被试的脑电信号；

每间隔预定时间计算一次所述脑电信号的特征；

根据所述模型对所述特征进行分类识别，以确定所述脑力负荷水平。

根据本发明实施例的面向持续追踪控制与射击类任务脑力负荷实时监测系统，用于处理操作人员在操控特定装备过程中，如连续追踪射击的脑力负荷等大脑功能状态情况，以便于准确的掌握其疲劳度、警觉度等神经生理状态，并及时进行有效干预，进而提高操作人员操作效能、减少人误事件的发生。通过对执行不同任务人员脑电信号的采集，应用信号处理的方法，对其进行降噪，伪迹去除、分段等预处理，并进行脑电的节律特征、能量特征、非线性特征等特征的提取与分类，进行脑力负荷的分析与不同任务负荷水平的识别。本发明的系统与现有的自发脑电分析工具相比，一方面对现有的自发脑电信号分析方法进行了改进和集成，提高了特征算法的准确性和有效性的同时，通过模块化交互平台的设计方式，使得脑电信号分析更加简单、方便；另一方面，本发明的系统实现了利用脑电信号对不同任务过程中人员的脑力负荷水平进行监测和识别分类。

该系统面向实际任务，可用于复杂实际操作任务，如连续追踪射击任务，能够识别极其微弱的脑力负荷差异，可自动去噪、提取特征和脑力负荷分类，准确掌握脑功能状态，根据设定的脑力负荷状态可准确掌握操作者脑功能状态。

需要说明的是，本发明实施例的面向持续追踪控制与射击类任务脑力负荷实时监测系统的具体实现方式与本发明实施例的面向持续追踪控制与射击类任务脑力负荷实时监测方法的具体实现方式类似，具体请参见方法部分的描述，为了减少冗余，此处不做赘述。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种面向持续追踪控制与射击类任务脑力负荷实时监测方法，其特征在于，包括以下步骤：

面向复杂的实际操作任务，包括连续追踪射击任务，获取脑电原始数据；

对所述脑电原始数据进行自动化处理、降噪、去伪迹，以得到干净脑电信号；

从所述干净脑电信号中提取特征数据；

对所述特征数据进行分类，得到脑力负荷分类，识别脑力负荷水平及微弱的脑力负荷差异，以准确掌握操作者脑功能状态。

2.根据权利要求1所述的面向持续追踪控制与射击类任务脑力负荷实时监测方法，其特征在于，所述获取脑电原始数据包括：

进行全局设置，并在设置完成后生成所述脑电原始数据。

3.根据权利要求1所述的面向持续追踪控制与射击类任务脑力负荷实时监测方法，其特征在于，所述对所述脑电原始数据进行自动化处理、降噪、去伪迹，以得到干净脑电信号，包括：

依次对所述脑电原始数据进行滤波、提取波形、功率谱计算、复杂度计算、分形维度计算、近似熵计算、样本熵计算、小波熵计算、相位同步计算和均值频谱计算。

4.根据权利要求1所述的面向持续追踪控制与射击类任务脑力负荷实时监测方法，其特征在于，所述对所述特征数据进行分类，得到脑力负荷分类，识别脑力负荷水平及微弱的脑力负荷差异，以准确掌握操作者脑功能状态，包括离线分析过程，其中，所述离线分析过程包括：

对脑电信号进行滤波；

根据标记对脑电信号进行分段；

根据分段对脑电信号的特征进行计算；

根据类别对特征进行处理；

对所述特征进行五份交叉检验以识别所述脑力负荷水平。

5.根据权利要求1所述的面向持续追踪控制与射击类任务脑力负荷实时监测方法，其特征在于，所述对所述特征数据进行分类，得到脑力负荷分类，识别脑力负荷水平及微弱的脑力负荷差异，以准确掌握操作者脑功能状态，包括在线分析过程，其中，所述在线分析过程包括：

对脑电信号进行降噪处理；

计算当前被试的训练样本特征；

以训练样本特征进行分类器训练并保存训练所得的模型；

按顺序读取当前被试的脑电信号；

每间隔预定时间计算一次所述脑电信号的特征；

根据所述模型对所述特征进行分类识别，以确定所述脑力负荷水平。

6.一种面向持续追踪控制与射击类任务脑力负荷实时监测系统，其特征在于，包括：

获取模块，用于面向复杂的实际操作任务，包括连续追踪射击任务，获取脑电原始数据；

预处理模块，用于对所述脑电原始数据进行自动化处理、降噪、去伪迹，以得到干净脑电信号；

提取模块，用于从所述干净脑电信号中提取特征数据；

识别模块，用于对所述特征数据进行分类，得到脑力负荷分类，识别脑力负荷水平及微弱的脑力负荷差异，以准确掌握操作者脑功能状态。

7.根据权利要求6所述的面向持续追踪控制与射击类任务脑力负荷实时监测系统，其特征在于，所述获取模块用于进行全局设置，并在设置完成后生成所述脑电原始数据。

8.根据权利要求6所述的面向持续追踪控制与射击类任务脑力负荷实时监测系统，其特征在于，所述预处理模块用于依次对所述脑电原始数据进行滤波、提取波形、功率谱计算、复杂度计算、分形维度计算、近似熵计算、样本熵计算、小波熵计算、相位同步计算和均值频谱计算。

9.根据权利要求6所述的面向持续追踪控制与射击类任务脑力负荷实时监测系统，其特征在于，所述识别模块包括离线分析识别模块，其中，所述离线分析识别模块用于：

对脑电信号进行滤波；

根据标记对脑电信号进行分段；

根据分段对脑电信号的特征进行计算；

根据类别对特征进行处理；

对所述特征进行五份交叉检验以识别所述脑力负荷水平。

10.根据权利要求6所述的面向持续追踪控制与射击类任务脑力负荷实时监测系统，其特征在于，所述识别模块包括在线分析识别模块，其中，所述在线分析识别模块用于：

对脑电信号进行降噪处理；

计算当前被试的训练样本特征；

以训练样本特征进行分类器训练并保存训练所得的模型；

按顺序读取当前被试的脑电信号；

每间隔预定时间计算一次所述脑电信号的特征；

根据所述模型对所述特征进行分类识别，以确定所述脑力负荷水平。