CN112773365B - 潜航员潜航作业脑力负荷监测系统 - Google Patents
潜航员潜航作业脑力负荷监测系统 Download PDFInfo
- Publication number
- CN112773365B CN112773365B CN201911006896.3A CN201911006896A CN112773365B CN 112773365 B CN112773365 B CN 112773365B CN 201911006896 A CN201911006896 A CN 201911006896A CN 112773365 B CN112773365 B CN 112773365B
- Authority
- CN
- China
- Prior art keywords
- mental load
- electroencephalogram
- electroencephalogram signals
- unit
- indexes
- 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
- 230000003340 mental effect Effects 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 239000002245 particle Substances 0.000 claims abstract description 41
- 238000012706 support-vector machine Methods 0.000 claims abstract description 18
- 230000000739 chaotic effect Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 239000002131 composite material Substances 0.000 claims abstract description 4
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008602 contraction Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 229910021607 Silver chloride Inorganic materials 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 description 5
- 230000009189 diving Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000009894 physiological stress Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Child & Adolescent Psychology (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种潜航员潜航作业的脑力负荷监测系统，包括：信号采集单元、滤波处理单元、特征提取单元、监测评估分析单元，信号采集单元通过盘状电极采集脑电信号并输出至滤波处理单元，滤波处理单元将滤波后的超范围原始数据剔除并生成脑电图信号后输出至特征提取单元，特征提取单元从中提取出特征指标并生成各个样本的脑力负荷特征指标后输出至监测分析单元，监测分析单元通过基于量子混沌粒子群优化算法的多类支持向量机一次性识别不同类别多个样本的脑力复合特征指标，得到脑力负荷评估分析结果；本发明操作简单、分析速度快、精确度高，能够对潜航员深海作业脑力负荷进行较为准确地监测评估，使之根据驾驶任务过程的脑力负荷变化针对性提供信息补偿，尽量避免潜航员陷入过高或较低脑力负荷状态。
Description
技术领域
本发明涉及一种潜航员潜航作业的脑力负荷监测系统，属于脑力负荷识别技术领域。
背景技术
随着我国对深海资源的勘探与开发，我国载人潜水器深海作业航次不断增加，潜航员作为载人潜水器中人-机-环境系统的核心，担任着潜航作业的重要任务。潜航员不仅要在驾驶过程中避开障碍物和危险区域(如飞行员及汽车驾驶员)，而且要在载人舱内操作复杂的操作系统进行布放标志物、采集水样、沉积物等一系列高难度水下作业任务。除此之外，潜航员需要时刻监视系统状态，根据海底地形制定和调整潜航策略，完成潜航任务。潜航员在载人仓内深入数千米海下，工作空间密闭狭小，在长达10个小时以上的深潜任务中需要长时间观察，不间断作业，一直处于高度紧张的工作状态，承受的工作负荷主要为脑力负荷。其脑力负荷会随着时间压力、安全威胁(复杂的深海地形)和环境因素(异常温度、振动、加速度、噪声)以及作业任务的难易程度产生变化。在脑力负荷过高或过低的情况下，其工作效率会明显下降，出现各种操作错误、疏忽、紊乱、生理应激状况，甚至导致重大安全事故的发生。
目前国内外对脑力负荷主要集中在飞行员及汽车驾驶员等研究，缺乏对潜航员驾驶潜水器在深海潜航作业时的脑力负荷研究。而且，对脑力负荷主要采用主观评测及行为绩效的评估方法，这些方法往往掺杂决策者主观偏好，系统误差较大，具有应用局限性。脑电信号作为直接反应大脑活动的神经生理信号，自发脑电的频域特征和时域特征与潜航员的当前脑力负荷具有高度相关性。因此，基于脑电信号对深海载人潜水器潜航作业中的脑力负荷进行有效的监测评估，进而制定合理的作业流程，在潜航员脑力负荷过小或过大时进行干预(人机功能的再分配、主副驾驶的职责再分配、任务策略的重新选择等)，对于提高潜航员的潜水器操作能力、保护其身心健康、减少人为失误、提高潜航安全具有重要意义。
发明内容
本发明针对潜航员的脑电信号受到环境因素及操作任务等外界的影响较大，具有小样本、非线性及高维数据的特点，现有主观评测及行为绩效评估脑力负荷操作复杂、精度不高，而标准支持向量机又存在模型计算量大、训练时间长等问题，提出一种潜航员潜航作业的脑力负荷监测系统，采用量子混沌粒子群优化一对一法的多类支持向量机对潜航员潜航作业脑力负荷监测评估，具有操作简单、分析速度快、精确度高等优点，能够对潜航员深海作业脑力负荷进行较为准确地监测评估，使之根据驾驶任务过程的脑力负荷变化针对性提供信息补偿，尽量避免潜航员陷入过高或较低脑力负荷状态。
本发明是通过以下技术方案实现的：
本发明涉及一种潜航员潜航作业的脑力负荷监测系统，包括：信号采集单元、滤波处理单元、特征提取单元和监测评估分析单元，其中：信号采集单元通过盘状电极采集脑电信号并输出至滤波处理单元，滤波处理单元将滤波后的超范围原始数据剔除并生成脑电图信号后输出至特征提取单元，特征提取单元从中提取出特征指标并生成各个样本的脑力负荷特征指标后输出至监测分析单元，监测分析单元通过基于量子混沌粒子群优化算法的多类支持向量机一次性识别不同类别多个样本的脑力复合特征指标，得到脑力负荷评估分析结果。
所述的信号采集单元采用Ag-AgCl盘状电极置于国际标准10-20系统电极放置法的Fz、Cz、Pz点记录脑电信号，采样频率1000Hz。
所述的剔除是指：先使用0.5～35Hz带通数字滤波器进行滤波，并将数据分成每段2s(2000个点)，50％重叠的分段。对每个分段采用眼电伪迹自动剔除算法进行处理，再对幅值过大(大于10个总体标准差)和标准差过大(大于3个总体标准差)分段进行剔除。
所述的脑电图信号EEGrec(t)是指：来自信号采集单元的真实脑电信号(EEGtrue)和眼电干扰信号(EOG)的叠加，即：EEGrec(t)＝EEGtrue(t)+k1·EOG(t)，其中：t为记录时间，k1为干扰系数，其取值为：k∈(0,0.2]。
所述的脑电图信号，优选采用平稳小波变换扩展记录的脑电信号，根据最小风险值，在每一层选择最优阈值极限，对阈值小波系数进行小波逆变换，得到去噪后的脑电图信号。
所述的特征指标，通过以下方式得到：特征提取单元对脑电图信号中的每个分段进行快速傅里叶变换(fastfouriertransform，FFT)后得到的频谱进行θ波(4～8Hz)、α波(8～13Hz)和β波(13～30Hz)段的功率值计算，并分别除以4～30Hz频段的总功率得到相对功率，得到特征指标。
所述的脑力负荷特征指标是指：若干个分别具有60个脑电信号特征[20个频段×3个部位(Fz、Pz、Cz)]的特征指标。
所述的多类支持向量机一次性地将不同类别的样本分开，即当需识别k2种类别时，先在这k2类训练样本中构造所有可能的二类分类机，各类别两两组合后共构造k2(k2-1)/2个分类机，从而对多分类问题进行简化。
所述的量子混沌粒子群优化算法，具体步骤包括：
步骤1：对脑电数据初始化：设置种群规模、问题维数、混沌搜索阈值、混沌迭代次数、收缩因子的初始值和终止条件；
步骤2：计算粒子适应度，找出个体极值点和全局极值点；
步骤3：比较每个粒子的个体极值点及全局极值点的适应度值，粒子更新为：
步骤4：对粒子进行早熟判断，当低于设定的阈值时，对该粒子进行混沌迭代搜索，更新得到个体最优位置和全局最优位置；当算法未达到终止条件时返回步骤2，否则结束计算。
所述的混沌迭代搜索是指：Zn+1＝μZn(1-Zn)；n＝1,2,…；μ∈(0,4]，其中：μ为控制混沌状态的常数，μ∈[3.5699,4]，N为混沌搜索次数，Zn为0～1的随机数，当μ＝4，0≤Z0≤1，Logistic完全处于混沌状态。
技术效果
本发明通过开展深海驾驶作业任务模拟实验，采集多个电极信号，获取被试者在驾驶作业过程中的脑电信号，并进行特征提取、分析，提出一种潜航员潜航作业的脑力负荷监测评估方法。从而克服现有技术中操作复杂、精度不高、计算量大、训练时间长的缺陷。
与现有技术相比，本发明在支持向量机的基础上，采用一对一法的多类支持向量机。其特征在于，与传统的支持向量机相比，多类支持向量机可以一次性地将不同类别的样本分开。即若需识别K种类别，所述方法需要在这K类训练样本中构造所有可能的二类分类机，各类别两两组合后共构造K(K-1)/2个分类机，从而对多分类问题进行简化。
本发明在支持向量机最优参数的选取采用量子混沌粒子群算法进行优化选取。改进了标准支持向量机模型计算量大、训练时间长等问题，避免了粒子群算法陷入部分早熟性收敛，提高了整个可行解区间的搜索能力。
附图说明
图1为本发明系统示意图；
图2为实施例眼电伪迹自动剔除算法示意图。
具体实施方式
如图1所示，为本实施例涉及的一种潜航员潜航作业脑力负荷监测系统，包括：信号采集单元、滤波处理单元、特征提取单元和监测评估分析单元，其中：信号采集单元通过盘状电极采集脑电信号并输出至滤波处理单元，滤波处理单元将滤波后的超范围原始数据剔除并生成脑电图信号后输出至特征提取单元，特征提取单元从中提取出特征指标并生成各个样本的脑力负荷特征指标后输出至监测分析单元，监测分析单元通过基于量子混沌粒子群优化算法的多类支持向量机一次性识别不同类别多个样本的脑力复合特征指标，得到脑力负荷评估分析结果。
本实施例涉及上述装置的实现方法，具体过程如下：召集八名男性作为被测试人员，平均年龄24.8±1.8岁，平均身高171.8±6.7cm，平均体重65±10.4kg，右利手，视力或矫正视力正常，均在潜水器模拟操作系统上受过培训，实施例前对实施例内容知情同意。
八名被测试人员在模拟驾驶器上操作机械手。被测试者需要驾驶潜器避开障碍物，在规定时间内指定地点，且尽量保持对地高度在2m～6m范围内。
机械手作业任务设计为：空间定位任务，潜航员需要操作机械手对目标物体进行触碰；抓取任务，潜航员需要操作机械手进行目标物体的抓取；综合操作任务，潜航员需要抓取目标物体并精确放入采样篮的指定位置内。
在实施例采用三任务模式构造高、中、低三种条件的脑力负荷等级。低负荷任务为空间定位，中负荷任务为抓取，高负荷任务为综合操作。
实施例中，运用美国Biopac公司的MP150系统，采用Ag-AgCl盘状电极置于国际标准10-20系统电极放置法的Fz、Cz、Pz点记录潜航员在潜航任务时的脑电信号，采样频率1000Hz。
将所采集的脑电信号进行滤波处理，使用0.5～45Hz带通数字滤波器进行滤波，并将数据分成每段长度为2s(2000个点)，50％重叠的分段。
对每个分段采用眼电伪迹自动剔除算法进行处理，再对幅值过大(大于10个总体标准差)和标准差过大(大于3个总体标准差)分段进行自动剔除。
所述的眼电伪迹自动剔除算法是指：
对每个分段进行快速傅里叶变换，得到频谱。并对4～44Hz的功率谱以步长为2Hz分成20个频段，计算每个频段的功率并除以总功率得到相对功率。
对一个子任务可得到了N个分别具有60个EEG特征(20个频段×3个部位(Fz、Pz、Cz))的样本，作为脑力负荷特征指标。
将获得的样本数据随机划分成训练集和验证集，选择75％的样本作为训练样本，25％作为测试样本。
核函数采用径向基核函数，其表达式为：
初始化所述的量子混沌粒子群优化的多类支持向量机模型的参数。实施例粒子数目设置为30，最大迭代次数为1000，收缩因子取值为0.85，随机选取混沌初值，混沌搜索次数为50。具体步骤为：
步骤1：初始化粒子群中每一个粒子i的当前位置Xi(0)，并置个体最优位置Pi(0)＝Xi(0)；
步骤2：计算平均最优位置mBest并更新粒子i的pi,j(t)和粒子位置Xi,j(t+1)；
步骤3：计算粒子i的适应度，更新粒子的个体最优位置，即将Xi(t)的值与前一次迭代的粒子的个体最优位置Pi(t-1)的值比较，当Xi(t)的值优于Pi(t-1)的值，则置Pi(t)＝Xi(t)；否则，Pi(t)＝Pi(t-1)；
步骤4：将粒子的个体最优位置Pi(t)的值与全局最优位置G(t-1)的值比较，当Pi(t)的适应度函数值优于G(t-1)的适应度函数值，则置G(t)＝Pi(t)；否则，G(t)＝G(t-1)；
步骤5：随机产生一个N维的随机向量，每一个分量服从(0,1)均匀分布，进行混沌迭代搜索，更新得到个体最优位置和全局最优位置；当算法未达到终止条件时返回步骤2，否则结束计算。
本实施例通过在测试样本集上以多类支持向量机(MSVM)、粒子群优化多类支持向量机(PSOMSVM)、量子混沌粒子群优化多类支持向量机(QPSOMSVM)进行测试，结果如表1所示。
表1
由该表可知，QPSOMSVM模型对8名被试者在机械手操作任务下三种脑力负荷水平识别的准确度最高，平均识别率达到了87.1％。其中：第8名被试的正确率最高，达到了91.3％。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。
Claims (5)
1.一种潜航员潜航作业的脑力负荷监测系统，其特征在于，包括：信号采集单元、滤波处理单元、特征提取单元和监测评估分析单元，其中：信号采集单元通过盘状电极采集脑电信号并输出至滤波处理单元，滤波处理单元将滤波后的超范围原始数据剔除并生成脑电图信号后输出至特征提取单元，特征提取单元从中提取出特征指标并生成各个样本的脑力负荷特征指标后输出至监测分析单元，监测分析单元通过基于量子混沌粒子群优化算法的多类支持向量机一次性识别不同类别多个样本的脑力复合特征指标，得到脑力负荷评估分析结果；
所述的脑电图信号EEGrec(t)是指：来自信号采集单元的真实脑电信号EEGtrue(t)和眼电干扰信号EOG(t)的叠加，即：EEGrec(t)＝EEGtrue(t)+k1·EOG(t)，其中：t为记录时间，k1为干扰系数；
所述的量子混沌粒子群优化算法，具体步骤包括：
步骤1：对脑电数据初始化：设置种群规模、问题维数、混沌搜索阈值、混沌迭代次数、收缩因子的初始值和终止条件；
步骤2：计算粒子适应度，找出个体极值点和全局极值点；
步骤3：比较每个粒子的个体极值点及全局极值点的适应度值，粒子更新为：
pi，j(t)＝φj(t)·Pi，j(t)+[1-φj(t)]·Gj(t)，
其中：α为收缩扩张系数，M表示粒子群的规模，mBest为平均最优位置，Xi，j(t)为粒子i的位置，Pi，j(t)为第i个粒子的个体最优位置，pi,j(t)为粒子在进化迭代过程中的局部吸引子，Gj(t)为第i个粒子的全局最优位置，μi，j(t)、φj(t)为t时刻(0,1)之间的随机数；
步骤4：对粒子进行早熟判断，当低于设定的阈值时，对该粒子进行混沌迭代搜索，更新得到个体最优位置和全局最优位置；当算法未达到终止条件时返回步骤2，否则结束计算；
所述的多类支持向量机一次性地将不同类别的样本分开，即当需识别k2种类别时，先在这k2类训练样本中构造所有可能的二类分类机，各类别两两组合后共构造k2(k2-1)/2个分类机，从而对多分类问题进行简化。
2.根据权利要求1所述的系统，其特征是，所述的信号采集单元采用Ag-AgCl盘状电极置于国际标准10-20系统电极放置法的Fz、Cz、Pz点记录脑电信号，采样频率1000Hz。
3.根据权利要求1所述的系统，其特征是，所述的剔除是指：先使用0.5～35Hz带通数字滤波器进行滤波，并将数据分成每段2s，50％重叠的分段，对每个分段采用眼电伪迹自动剔除算法进行处理，再对幅值大于10个总体标准差和标准差大于3个总体标准差分段进行剔除。
4.根据权利要求1所述的系统，其特征是，所述的脑电图信号，采用平稳小波变换扩展记录的脑电信号，根据最小风险值，在每一层选择最优阈值极限，对阈值小波系数进行小波逆变换，得到去噪后的脑电图信号。
5.根据权利要求1所述的系统，其特征是，所述的特征指标，通过以下方式得到：特征提取单元对脑电图信号中的每个分段进行快速傅里叶变换后得到的频谱进行4～8Hz的θ波、8～13Hz的α波和13～30Hz的β波段的功率值计算，并分别除以4～30Hz频段的总功率得到相对功率，得到特征指标；
所述的脑力负荷特征指标是指：若干个分别具有60个脑电信号特征的特征指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911006896.3A CN112773365B (zh) | 2019-10-22 | 2019-10-22 | 潜航员潜航作业脑力负荷监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911006896.3A CN112773365B (zh) | 2019-10-22 | 2019-10-22 | 潜航员潜航作业脑力负荷监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112773365A CN112773365A (zh) | 2021-05-11 |
| CN112773365B true CN112773365B (zh) | 2022-01-04 |
Family
ID=75748614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911006896.3A Expired - Fee Related CN112773365B (zh) | 2019-10-22 | 2019-10-22 | 潜航员潜航作业脑力负荷监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112773365B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116350240A (zh) * | 2023-03-29 | 2023-06-30 | 上海外国语大学 | 一种社交推荐的结果分析方法、系统 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102715889B (zh) * | 2012-06-11 | 2014-01-29 | 天津大学 | 一种脑力负荷检测方法 |
| CN103610447B (zh) * | 2013-12-04 | 2015-12-09 | 天津大学 | 一种基于前额脑电信号的脑力负荷在线检测方法 |
| CN104107042A (zh) * | 2014-07-10 | 2014-10-22 | 杭州电子科技大学 | 基于粒子群优化-支持向量机的肌电信号步态识别方法 |
| CN104198924A (zh) * | 2014-09-11 | 2014-12-10 | 合肥工业大学 | 一种新颖的模拟电路早期故障诊断方法 |
| CN104601565B (zh) * | 2015-01-07 | 2018-06-15 | 天津理工大学 | 一种智能优化规则的网络入侵检测分类方法 |
| CN105469138B (zh) * | 2015-11-10 | 2018-01-02 | 南京航空航天大学 | 基于粒子群和支持向量机的控制系统执行器故障诊断方法 |
| CN106855957A (zh) * | 2015-12-09 | 2017-06-16 | 四川大学 | 基于相似日和最小二乘支持向量机的工厂母线负荷预测 |
| CN106913351A (zh) * | 2015-12-28 | 2017-07-04 | 西南交通大学 | 一种脑力负荷水平的识别方法 |
| CN107788970B (zh) * | 2017-11-15 | 2020-08-07 | 中国航天员科研训练中心 | 一种基于多生理参数方法融合的脑力负荷评估方法 |
| CN109953757A (zh) * | 2017-12-14 | 2019-07-02 | 中国航天员科研训练中心 | 面向持续追踪控制与射击类任务脑力负荷实时监测方法 |
| CN108921186A (zh) * | 2018-05-08 | 2018-11-30 | 中国矿业大学 | 一种基于孪生支持向量机的指纹图像分类系统与方法 |
-
2019
- 2019-10-22 CN CN201911006896.3A patent/CN112773365B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN112773365A (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829402B (zh) | 基于gs-svm的不同工况下轴承损伤程度诊断方法 | |
| CN111340142B (zh) | 一种癫痫脑磁图棘波自动检测方法与溯源定位系统 | |
| Lasefr et al. | Epilepsy seizure detection using EEG signals | |
| Cao et al. | Automatic classification of athletes with residual functional deficits following concussion by means of EEG signal using support vector machine | |
| Li et al. | Analysis and classification of EEG signals using a hybrid clustering technique | |
| CN112773365B (zh) | 潜航员潜航作业脑力负荷监测系统 | |
| CN104596732A (zh) | 一种水面飞行器稳定性全机动力模型水池试验方法 | |
| CN106913333B (zh) | 一种持续性注意水平的敏感性特征指标的选取方法 | |
| CN113092112A (zh) | 一种基于eemd多特征融合的轴承复合故障诊断方法 | |
| Shuuji et al. | Low-speed bearing fault diagnosis based on improved statistical filtering and convolutional neural network | |
| Zhao et al. | Rolling bearing composite fault diagnosis method based on EEMD fusion feature | |
| CN113627740B (zh) | 一种驾驶负荷评价模型构建系统及构建方法 | |
| CN111951637A (zh) | 一种任务情景相关联的无人机飞行员视觉注意力分配模式提取方法 | |
| CN115713246A (zh) | 一种关于虚拟场景的多模态人机交互的性能评估方法 | |
| CN111429013A (zh) | 基于注意力分配和个体状态的飞行员情境觉知评测方法 | |
| Johnson et al. | Probe-independent EEG assessment of mental workload in pilots | |
| CN116871978A (zh) | 基于多传感器融合的钻削刀具状态监测方法 | |
| CN112438741B (zh) | 一种基于脑电特征迁移学习的驾驶状态检测方法及系统 | |
| CN105628358A (zh) | 基于参数自适应随机共振的离心机转子故障诊断方法 | |
| Liu et al. | An interpretable multiplication-convolution network for equipment intelligent edge diagnosis | |
| Zhu et al. | Recognition of pilot mental workload in the simulation operation of carrier-based aircraft using the portable EEG | |
| CN114469138A (zh) | 基于时频域的脑电爆发抑制模式的检测方法、系统及介质 | |
| CN113907707B (zh) | 一种基于多模态信息的癫痫发作时间段检测系统及方法 | |
| Zhao et al. | Combine Assembly Fault Diagnosis Based on Optimized Multi-scale Reverse Discrete Entropy | |
| Raghav et al. | Fault Diagnosis of Spur Gearbox by Image Classification Using Deep CNN |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220104 |