CN110068466B - 基于脑电波的车辆声品质评价方法 - Google Patents
基于脑电波的车辆声品质评价方法 Download PDFInfo
- Publication number
- CN110068466B CN110068466B CN201910366559.9A CN201910366559A CN110068466B CN 110068466 B CN110068466 B CN 110068466B CN 201910366559 A CN201910366559 A CN 201910366559A CN 110068466 B CN110068466 B CN 110068466B
- Authority
- CN
- China
- Prior art keywords
- brain wave
- data
- sound quality
- audio data
- vehicle sound
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本发明涉及汽车实验技术领域,具体涉及一种基于脑电波的车辆声品质评价方法,该方法首先需要确定脑电波数据的近似熵在车辆声品质评价中所占权重ω1和脑电波数据的Hurst指数在车辆声品质评价中所占权重ω2;然后选择车辆声品质评价员,依次采集有噪音刺激和无噪音刺激条件下评价员的脑电波数据,最后通过数据处理装置利用脑电波数据的近似熵权重ω1和脑电波数据的Hurst指数权重ω2进行车辆声品质量化。本发明操作简单,使用仪器价格较便宜,克服了主观评价中评价员因带有个人的情感而造成数据不准确、不合理的缺点,可接受性和可实践性较强。
Description
技术领域
本发明属于汽车试验技术领域,涉及一种基于脑电波的车辆声品质评价方法。
背景技术
目前对车辆声品质的评价方法包括主观评价和客观评价。主观评价以人为主体,通过问卷调查或评审团主观评价试验的形式进行。客观评价是以声音的物理参数及心理学客观参数为基础,通过测试分析响度、尖锐度、粗糙度、波动度等声音的客观参数来评价声音的优劣。
但是,主观评价的方法主要根据问卷调查方式、成对比较方式、排序方式对车辆声品质进行评价,受评价方式的限制,主观评价方法仅能进行多样本比较或等级划分,而无法给出具体的比例尺度。车辆声品质客观评价方法是以声音固有的指标为研究对象,着力寻找对心理影响较大的声音指标从而提高车辆声品质客观评价有效性和准确性,而在时频域内声音固有的物理指标众多,不同指标排列组合得到的综合指标类别、数量巨大,因而对车辆声品质客观评价指标的选取存在大量分歧。
专利号为ZL201611006119.5的中国专利公开了一种基于瞳孔直径的评价方法,是为避免照度变化对评价数据的影响,需建立照度-瞳孔直径模型,照度-瞳孔直径模型的建立使得模型更加复杂、操作更加繁琐、增大了数据库数据。
为此,人们急需寻求一种能够客观的、有效的、准确的方法评价车辆声品质的方法。随着一些专家学者对脑电波的深入研究,结果发现,脑电波的变化能够反映人的情绪变化。一种基于BCI装置脑电波采集分析的情绪展示设备(CN105054928A,实质审查)公布了采集脑电波并分析情绪的方法。
发明内容
为解决上述技术问题,本发明的目的在于:提供一种基于脑电波的车辆声品质评价方法,操作简单,使用仪器价格较便宜,克服了主观评价中评价员因带有个人的情感而造成数据不准确、不合理的缺点,可接受性和可实践性较强。
本发明为解决其技术问题所采用的技术方案为:
所述基于脑电波的车辆声品质评价方法,包括以下步骤:
步骤一、确定脑电波数据的近似熵在车辆声品质评价中所占权重ω1和脑电波数据的Hurst指数在车辆声品质评价中所占权重ω2;
步骤二、选择车辆声品质评价员;
步骤三、将音频数据采集装置固定于待评价工况条件下的待评价位置处,采集车内音频数据S0作为待评价样本;
步骤四、评价员坐于座椅处,佩戴高保真耳机,回放所采集的车内音频数据S0,使用脑电波采集装置采集回放时段t1时长内评价员的脑电波数据k1;
步骤五、评价员坐于座椅处,佩戴高保真耳机,不播放音频,使用脑电波采集装置采集时段t1时长内评价员的脑电波数据k0;
步骤六、通过数据处理装置利用脑电波数据的近似熵权重ω1和脑电波数据的Hurst指数权重ω2进行车辆声品质量化。
对于不同的受试者而言,即使是同种思维作业、同一个电极上脑电波数据的近似熵也存在着较大的差异.导致出现这种差异的原因有两个,一是由于受试者存在着个体差异,二是受试者的参与程度存在着差异,因此我们引入第二个评价量脑电信号Hurst指数,并根据两者权重比量化车辆声品质,该方法弥补了主观评价中评价员因带有个人的情感而造成数据不准确、不合理的缺点,无需建立照度-瞳孔直径模型以抵消照度等环境因素的影响,操作较简单,从而可降低车辆声品质评价成本。
其中,优选方案为:
步骤一的实现方式如下:
S11、召集试验员N名,N为不小于10的正整数;
S12、将音频数据采集装置固定于待评价工况条件下的待评价位置处,采集车内音频数据S0作为待评价样本;
S13、一号试验员坐于座椅处,佩戴高保真耳机,回放所采集的车内音频数据S0,使用脑电波采集装置采集回放时段t1时长内的实验员的脑电波数据;试验员坐于座椅处,佩戴高保真耳机,不播放音频数据S0,使用脑电波采集装置采集回放时段t1时长内的实验员的脑电波数据;
S14、对剩余的试验员依次重复步骤S13的操作,直至所有的试验员测试完毕;
S15、通过数据处理装置计算脑电波数据的近似熵在车辆声品质评价中所占权重ω1和Hurst指数在车辆声品质评价中所占权重ω2。
步骤S15的计算过程为:
将各个试验员播放音频数据S0时采集的脑电数据的近似熵定义为一个模糊集A,将各个试验员在不播放音频数据S0时的脑电波数据的近似熵定义为一个模糊集B,通过Mamdani模糊推理法计算出模糊集A与模糊集B的适配度x1;
将各个试验员播放音频数据S0时采集的脑电数据的Hurst指数定义为一个模糊集C,将各个试验员在不播放音频数据S0时采集的脑电数据的Hurst指数定义为另一个模糊集D,通过Mamdani模糊推理法计算出模糊集C与模糊集D的适配度x2;
通过适配度x1和适配度x2推出近似熵权重ω1和Hurst指数权重ω2:
适配度是实验数据与标准数据的匹配程度,即适配度x1为有噪声刺激的脑电波近似熵与无噪声刺激的脑电波近似熵的接近程度;适配度x2为有噪声刺激的脑电波Hurst指数与无噪声刺激的脑电波Hurst指数的接近程度,为保证数据的可靠性,采用多个试验员的脑电波数据进行模糊处理后计算适配度x1和适配度x2。
所述步骤六的计算过程为:
S61、计算评价员播放音频数据S0时采集的脑电数据的近似熵ApEn1和Hurst指数H1;
S62、计算评价员不播放音频数据S0时采集的脑电数据的近似熵ApEn0和Hurst指数H0;
S63、计算量化指标p,p=ω1(H1-H0)+ω2(ApEn1-ApEn0),当p小于设定阈值时,说明车辆声品质较好;当p大于设定阈值时,说明车辆声品质较差,该设定阈值一般取0.85。
所述脑电波数据采集装置采用无线数字传感器的意念控制开发脑电波采集模块,操作简单方便,所述数据处理装置首先使用带通滤波器进行数字滤波,然后用CDAPro软件对滤波后的脑电波数据进行分析处理。
所述音频数据采集装置采用SQLabII多通道测试系统。
与现有技术相比,本发明具有以下有益效果:
1、本发明首次提出基于脑电波的车辆声品质评价方法,该方法弥补了主观评价中评价员因带有个人的情感而造成数据不准确、不合理的缺点,可接受性和可实践性较强。
2、本发明无需建立照度-瞳孔直径模型以抵消照度等环境因素的影响,操作较简单,使用仪器价格较便宜,降低车辆声品质评价成本。
附图说明
图1是本发明实施例1采集的脑电波数据k0与脑电波数据k1对比图。
具体实施方式
下面结合附图对本发明实施例做进一步描述:
实施例1:
本发明所述基于脑电波的车辆声品质评价方法,包括以下步骤:
步骤一、确定脑电波数据的近似熵在车辆声品质评价中所占权重ω1和脑电波数据的Hurst指数在车辆声品质评价中所占权重ω2;
步骤二、选择车辆声品质评价员;
步骤三、将HEAD acoustics公司生产的HMS III仿真人工头固定于某型号机动车待评价工况条件下的驾驶人位置处,使用SQLabII多通道测试系统采集音频数据S0作为待评价样本;
步骤四、评价员坐于座椅处,佩戴开放式高阻抗的(100Ω-300Ω)的HA III高保真耳机,回放所采集的车内音频数据S0,使用脑电波采集装置采集回放时段t1时长内评价员的脑电波数据k1;
步骤五、评价员坐于座椅处,佩戴开放式高阻抗的(100Ω-300Ω)的HA III高保真耳机,不播放音频,使用脑电波采集装置采集时段t1时长内评价员的脑电波数据k0;
步骤六、通过数据处理装置利用脑电波数据的近似熵权重ω1和脑电波数据的Hurst指数权重ω2进行车辆声品质量化。
其中,步骤一的实现方式如下:
S11、召集试验员N名,N为不小于10的正整数,例如20、30、50、90等;
S12、将HEAD acoustics公司生产的HMS III仿真人工头固定于某型号机动车待评价工况条件下的驾驶人位置处,使用SQLabII多通道测试系统采集音频数据S0作为待评价样本;
S13、一号试验员坐于座椅处,佩戴开放式高阻抗的(100Ω-300Ω)的HAIII高保真耳机,回放所采集的车内音频数据S0,使用脑电波采集装置采集回放时段t1时长内的实验员的脑电波数据;试验员坐于座椅处,佩戴开放式高阻抗的(100Ω-300Ω)的HA III高保真耳机,不播放音频数据S0,使用脑电波采集装置采集回放时段t1时长内的实验员的脑电波数据;
S14、对剩余的试验员依次重复步骤S13的操作,直至所有的试验员测试完毕;
S15、通过数据处理装置计算脑电波数据的近似熵在车辆声品质评价中所占权重ω1和Hurst指数在车辆声品质评价中所占权重ω2。
步骤S15的计算过程为:
将各个试验员播放音频数据S0时采集的脑电数据的近似熵定义为一个模糊集A,将各个试验员在不播放音频数据S0时的脑电波数据的近似熵定义为一个模糊集B,通过Mamdani模糊推理法计算出模糊集A与模糊集B的适配度x1;
将各个试验员播放音频数据S0时采集的脑电数据的Hurst指数定义为一个模糊集C,将各个试验员在不播放音频数据S0时采集的脑电数据的Hurst指数定义为另一个模糊集D,通过Mamdani模糊推理法计算出模糊集C与模糊集D的适配度x2;
通过适配度x1和适配度x2推出近似熵权重ω1和Hurst指数权重ω2:
适配度是实验数据与标准数据的匹配程度,即适配度x1为有噪声刺激的脑电波近似熵与无噪声刺激的脑电波近似熵的接近程度;适配度x2为噪声刺激的脑电波Hurst指数与无噪声刺激的脑电波Hurst指数的接近程度,为保证数据的可靠性,采用多个试验员的脑电波数据进行模糊处理后计算适配度x1和适配度x2。
所述步骤六的计算过程为:
S61、计算评价员播放音频数据S0时采集的脑电数据的近似熵ApEn1和Hurst指数H1;
S62、计算评价员不播放音频数据S0时采集的脑电数据的近似熵ApEn0和Hurst指数H0;
S63、计算量化指标p,p=ω1(H1-H0)+ω2(ApEn1-ApEn0),当p小于设定阈值时,说明车辆声品质较好;当p大于设定阈值时,说明车辆声品质较差,该设定阈值一般取0.85。
所述脑电波数据采集装置采用无线数字传感器的意念控制开发脑电波采集模块,例如,waveguardTM脑电帽,操作简单方便。
所述音频数据采集装置采用SQLabII多通道测试系统。
所述数据处理装置首先使用带通滤波器进行数字滤波,然后用CDA Pro软件对滤波后的脑电波数据进行分析处理。
对于不同的受试者而言,即使是同种思维作业、同一个电极上脑电波数据的近似熵也存在着较大的差异.导致出现这种差异的原因有两个,一是由于受试者存在着个体差异,二是受试者的参与程度存在着差异,因此我们引入第二个评价量脑电信号Hurst指数,并根据两者权重比量化车辆声品质,该方法弥补了主观评价中评价员因带有个人的情感而造成数据不准确、不合理的缺点,无需建立照度-瞳孔直径模型以抵消照度等环境因素的影响,操作较简单,从而可降低车辆声品质评价成本。
Claims (5)
1.一种基于脑电波的车辆声品质评价方法,其特征在于,包括以下步骤:
步骤一、确定脑电波数据的近似熵在车辆声品质评价中所占权重ω1和脑电波数据的Hurst指数在车辆声品质评价中所占权重ω2;
步骤二、选择车辆声品质试验员;
步骤三、将音频数据采集装置固定于待评价工况条件下的待评价位置处,采集车内音频数据S0作为待评价样本;
步骤四、试验员坐于座椅处,佩戴高保真耳机,回放所采集的车内音频数据S0,使用脑电波采集装置采集回放时段t1时长内试验员的脑电波数据k1;
步骤五、试验员坐于座椅处,佩戴高保真耳机,不播放音频,使用脑电波采集装置采集时段t1时长内试验员的脑电波数据k0;
步骤六、通过数据处理装置利用脑电波数据的近似熵权重ω1和脑电波数据的Hurst指数权重ω2进行车辆声品质量化;
通过数据处理装置计算脑电波数据的近似熵权重ω1和Hurst指数权重ω2的计算过程为:
将各个试验员播放音频数据S0时采集的脑电数据的近似熵定义为一个模糊集A,将各个试验员在不播放音频数据S0时的脑电波数据的近似熵定义为一个模糊集B,通过Mamdani模糊推理法计算出模糊集A与模糊集B的适配度x1;
将各个试验员播放音频数据S0时采集的脑电数据的Hurst指数定义为一个模糊集C,将各个试验员在不播放音频数据S0时采集的脑电数据的Hurst指数定义为另一个模糊集D,通过Mamdani模糊推理法计算出模糊集C与模糊集D的适配度x2;
通过适配度x1和适配度x2推出近似熵权重ω1和Hurst指数权重ω2:
2.根据权利要求1所述的基于脑电波的车辆声品质评价方法,其特征在于,步骤一的实现方式如下:
S11、召集试验员N名,N为不小于10的正整数;
S12、将音频数据采集装置固定于待评价工况条件下的待评价位置处,采集车内音频数据S0作为待评价样本;
S13、一号试验员坐于座椅处,佩戴高保真耳机,回放所采集的车内音频数据S0,使用脑电波采集装置采集回放时段t1时长内的实验员的脑电波数据;试验员坐于座椅处,佩戴高保真耳机,不播放音频数据S0,使用脑电波采集装置采集回放时段t1时长内的实验员的脑电波数据;
S14、对剩余的试验员依次重复步骤S13的操作,直至所有的试验员测试完毕;
S15、通过数据处理装置计算脑电波数据的近似熵权重ω1和Hurst指数权重ω2。
3.根据权利要求1或2所述的基于脑电波的车辆声品质评价方法,其特征在于,所述脑电波数据采集装置采用无线数字传感器的意念控制开发脑电波采集模块。
4.根据权利要求1所述的基于脑电波的车辆声品质评价方法,其特征在于,所述步骤六的计算过程为:
S61、计算试验员播放音频数据S0时采集的脑电数据的近似熵ApEn1和Hurst指数H1;
S62、计算试验员不播放音频数据S0时采集的脑电数据的近似熵ApEn0和Hurst指数H0;
S63、计算量化指标p,p=ω1(H1-H0)+ω2(ApEn1-ApEn0),当p小于设定阈值时,说明车辆声品质较好;当p大于设定阈值时,说明车辆声品质较差。
5.根据权利要求1所述的基于脑电波的车辆声品质评价方法,其特征在于,所述音频数据采集装置采用SQLabII多通道测试系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910366559.9A CN110068466B (zh) | 2019-04-30 | 2019-04-30 | 基于脑电波的车辆声品质评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910366559.9A CN110068466B (zh) | 2019-04-30 | 2019-04-30 | 基于脑电波的车辆声品质评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110068466A CN110068466A (zh) | 2019-07-30 |
CN110068466B true CN110068466B (zh) | 2021-03-12 |
Family
ID=67370064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910366559.9A Active CN110068466B (zh) | 2019-04-30 | 2019-04-30 | 基于脑电波的车辆声品质评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110068466B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114088422A (zh) * | 2021-12-15 | 2022-02-25 | 科大讯飞股份有限公司 | 车辆的故障诊断方法、装置和电子设备 |
CN115444381A (zh) * | 2022-09-19 | 2022-12-09 | 吉林大学 | 一种基于生理信号的车内声品质评价方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7299088B1 (en) * | 2002-06-02 | 2007-11-20 | Nitish V Thakor | Apparatus and methods for brain rhythm analysis |
CN101281646A (zh) * | 2008-05-09 | 2008-10-08 | 山东大学 | 基于视觉的驾驶员疲劳实时检测方法 |
CN102915447A (zh) * | 2012-09-20 | 2013-02-06 | 西安科技大学 | 一种基于二叉树支持向量机的分类方法 |
CN106057212A (zh) * | 2016-05-19 | 2016-10-26 | 华东交通大学 | 基于语音个性特征和模型自适应的驾驶疲劳检测方法 |
CN109035960A (zh) * | 2018-06-15 | 2018-12-18 | 吉林大学 | 基于模拟驾驶平台的驾驶员驾驶模式分析系统及分析方法 |
CN109620219A (zh) * | 2019-02-14 | 2019-04-16 | 重庆邮电大学 | 一种基于谱熵的注意力康复训练及评估方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7733224B2 (en) * | 2006-06-30 | 2010-06-08 | Bao Tran | Mesh network personal emergency response appliance |
US8116862B2 (en) * | 2006-06-08 | 2012-02-14 | Greatbatch Ltd. | Tank filters placed in series with the lead wires or circuits of active medical devices to enhance MRI compatibility |
JP5127576B2 (ja) * | 2008-06-11 | 2013-01-23 | ヤマハ発動機株式会社 | 精神作業負荷検出装置及びそれを備えた自動二輪車 |
WO2012063423A1 (ja) * | 2010-11-12 | 2012-05-18 | パナソニック株式会社 | 音圧評価システム、その方法およびそのプログラム |
CN103053179A (zh) * | 2010-11-24 | 2013-04-17 | 松下电器产业株式会社 | 嘈杂度判定系统、装置、方法以及程序 |
KR101796743B1 (ko) * | 2016-07-21 | 2017-11-10 | 서울대학교산학협력단 | 뇌반응을 이용한 언어 이해력 평가 시스템 및 방법 |
CN106725289B (zh) * | 2016-11-16 | 2017-12-29 | 山东理工大学 | 一种基于瞳孔直径的车辆声品质评价方法 |
CN106777972B (zh) * | 2016-12-15 | 2019-04-05 | 清华大学 | 脑电波分析方法和系统 |
-
2019
- 2019-04-30 CN CN201910366559.9A patent/CN110068466B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7299088B1 (en) * | 2002-06-02 | 2007-11-20 | Nitish V Thakor | Apparatus and methods for brain rhythm analysis |
CN101281646A (zh) * | 2008-05-09 | 2008-10-08 | 山东大学 | 基于视觉的驾驶员疲劳实时检测方法 |
CN102915447A (zh) * | 2012-09-20 | 2013-02-06 | 西安科技大学 | 一种基于二叉树支持向量机的分类方法 |
CN106057212A (zh) * | 2016-05-19 | 2016-10-26 | 华东交通大学 | 基于语音个性特征和模型自适应的驾驶疲劳检测方法 |
CN109035960A (zh) * | 2018-06-15 | 2018-12-18 | 吉林大学 | 基于模拟驾驶平台的驾驶员驾驶模式分析系统及分析方法 |
CN109620219A (zh) * | 2019-02-14 | 2019-04-16 | 重庆邮电大学 | 一种基于谱熵的注意力康复训练及评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110068466A (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105286890B (zh) | 一种基于脑电信号的驾驶员瞌睡状态监测方法 | |
CN112353391A (zh) | 一种基于脑电信号的汽车车内声音品质识别方法及装置 | |
US9058816B2 (en) | Emotional and/or psychiatric state detection | |
Sharanreddy et al. | EEG signal classification for epilepsy seizure detection using improved approximate entropy | |
Qi et al. | The estimation of signal-to-noise ratio in continuous speech for disordered voices | |
EP1829025A1 (en) | Method and system of indicating a condition of an individual | |
CN110567575B (zh) | 一种汽车门锁闭合声品质评价方法 | |
CN110196098B (zh) | 基于心率变化的车辆声品质评价方法 | |
CN111436929B (zh) | 一种神经生理信号的生成和识别方法 | |
Benba et al. | Voice analysis for detecting persons with Parkinson’s disease using MFCC and VQ | |
CN110068466B (zh) | 基于脑电波的车辆声品质评价方法 | |
Stevenson et al. | A nonlinear model of newborn EEG with nonstationary inputs | |
CN114358089A (zh) | 基于脑电的语音评估模型的训练方法、装置及电子设备 | |
CN112754502A (zh) | 一种基于脑电信号的音乐自动切换方法 | |
CN103605721A (zh) | 一种心理压力评估中针对个体差异的分类方法 | |
López-Pabón et al. | Cepstral analysis and Hilbert-Huang transform for automatic detection of Parkinson’s disease | |
CN114190944A (zh) | 基于脑电信号的鲁棒情绪识别方法 | |
CN116665845A (zh) | 一种基于多模态数据用户情绪自测系统 | |
CN113576498B (zh) | 基于脑电信号的视听觉美学评价方法及系统 | |
CN108601567A (zh) | 推测方法、推测程序、推测装置及推测系统 | |
Fang et al. | Parkinsonian Chinese speech analysis towards automatic classification of Parkinson's disease | |
CN113069117A (zh) | 一种基于时间卷积神经网络的脑电情绪识别方法及系统 | |
Reddy et al. | Categorization of environmental sounds | |
CN111317467A (zh) | 脑电信号分析方法、装置、终端设备及存储介质 | |
CN107910019B (zh) | 一种人体声音信号处理及分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |