CN114569130B - 高速铁路行车调度员监控工作的注意力水平识别方法 - Google Patents
高速铁路行车调度员监控工作的注意力水平识别方法 Download PDFInfo
- Publication number
- CN114569130B CN114569130B CN202210176817.9A CN202210176817A CN114569130B CN 114569130 B CN114569130 B CN 114569130B CN 202210176817 A CN202210176817 A CN 202210176817A CN 114569130 B CN114569130 B CN 114569130B
- Authority
- CN
- China
- Prior art keywords
- alpha
- information perception
- theta
- electroencephalogram
- monitoring work
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008447 perception Effects 0.000 claims abstract description 57
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 210000004556 brain Anatomy 0.000 claims abstract description 11
- 238000007477 logistic regression Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000001228 spectrum Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000000737 periodic effect Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 230000001149 cognitive effect Effects 0.000 claims description 5
- 230000035484 reaction time Effects 0.000 claims description 4
- 230000008520 organization Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000036626 alertness Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000000537 electroencephalography Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 208000019914 Mental Fatigue Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000012567 medical material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- A61B5/168—Evaluating attention deficit, hyperactivity
-
- 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- 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)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Psychiatry (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychology (AREA)
- Artificial Intelligence (AREA)
- Developmental Disabilities (AREA)
- Social Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种高速铁路行车调度员监控工作的注意力水平识别方法,所述方法包括:设计高速铁路行车调度模拟实验,获得被试人员在不同信息感知水平下、不同监控工作任务下的脑电信号数据;通过时间压力系数法标定不同信息感知水平下的监控工作的信息感知密度;采用Welch法对采集到的脑电信号数据转换至频域,并自转换后的信号数据中提取脑电特征指标;基于提取到脑电特征指标及其对应的信息感知密度的感知水平类型,构造多项Logistic回归模型对注意力水平进行识别。本发明可获得针对高速铁路行车调度员监控工作的注意水平识别方法,该方法在降低了识别模型计算量的同时,提高了识别分类的精准性。
Description
技术领域
本发明涉及注意力水平识别方法的技术领域。
背景技术
高速铁路行车调度员是铁路运营指挥的中枢,对高速列车的行车安全起着极其重要的作用,高速铁路行车调度员能否良好的完成调度指挥工作是保障高速铁路安全有序运营的前提条件。随着调度指挥系统自动化水平的提高,人机交互的频率随之减少,调度员注意水平下降程度明显。调度员监控工作是注意水平最易下降的工作模式,监控工作具有独特的交互模式。因此,独立地对调度员监控工作注意水平进行识别是强化调度员全周期注意水平识别的重要技术手段。
现有的注意水平研究主要集中在汽车驾驶员和列车司机的反应能力的研究:研究人员通过测试被试对刺激的简单反应时间来判断其注意水平。研究人员对脑电指标进行敏感性分析及选取,验证长时间的连续驾驶对被试人员精神疲劳和注意水平的影响。或是通过驾驶员绩效特征和眼动特征,选取重要度高的指标作为神经网络的输入指标,对驾驶人的分心状态进行判别。
现有的空中管制员、列车调度员注意水平研究,没有很好地考虑到自动化程度的提高对操作人员警惕性的不良影响,如因人机交互频率减少,“失环”现象逐渐累积,注意水平会出现明显下降,使得操作人员在面临某些情况时无法即使做出对应的决策,其中,“失环”现象是指在自动化水平下,由于调度员对系统的过度信任以及调度员自身操作意识的丧失,所造成的调度员注意力分散的现象。
部分现有技术对该方面的问题做了一定的改进,如Di Flumeri G等提出了一种适用于空中交通管制中的注意力水平识别系统(Di Flumeri G,De Crescenzio F,BerberianB,et al.Brain–computer interface-based adaptive automation to prevent out-of-the-loop phenomenon in air traffic controllers dealing with highly automatedsystems[J].Frontiers in human neuroscience,2019,13:296),该系统基于脑电图和眼动追踪技术,可实时评估处理高度自动化界面的空中管制员的警惕水平,并可适应接口本身的自动化水平。该系统设置了三种实验场景,采用15个电极通道对脑电信号记录并处理,使用自动停止逐步线性判别分析(automatic-stop-StepWise Linear DiscriminantAnalysis,asSWLDA)区分实验任务中管制员的警戒级别,并根据警戒指数来判断空中管制员的注意水平。
但该技术仍具有以下缺陷:实验场景单一,对于自动化识别的适应不够及时,虽然可以有效降低管制员的警惕性,但是缓解方式不太有效;样本数据量对结果有较明显的影响结果,其初步研究的结果仅适用于全自动和高度手动两种截然不同的条件,没有研究自动化水平较低或者人机交互次数较少的工作模式下管制员的警戒程度。
或如Sebastiani M等提出的一种适用于空中交通管制员的注意力水平识别方法(Sebastiani M,Di FlumeriG,Aricò P,etal.Neurophysiological vigilancecharacterisation and assessment:Laboratory and realistic validationsinvolving professional air traffic controllers[J].Brain sciences,2020,10(1):48),其在实验室条件和现实条件下使用脑电图测量表征和评估警惕性水平,并根据不同的自动化级别设计了三种实验场景,以此为基础估计个体的α频率(IAF),之后使用选择线性判别分析(SWLDA)回归方法识别与警惕性变化相关的最重要的EEG特征。其中,SWLDA由前向和后向逐步分析的组合组成,输入特征通过使用普通最小二乘回归来预测目标类标签进行加权。
该技术仍具有以下缺陷:该方法对其他心理状态变化的混杂因素如心理工作量等的免疫力较低;该方法使用的通道数量过少,分类的精确度不足。
发明内容
针对现有技术的缺陷,本发明要解决的技术问题包括:
获得一种可解决自动化系统下调度人员“失环”问题加重的注意力水平识别方法,避免调度员在人机交互频率较小时无法被识别其注意水平状态。
获得针对高速铁路行车调度员监控工作的注意水平识别方法,该方法在降低了识别模型计算量的同时,提高了识别分类的精准性,同时该方法可选择适当数量的电极通道信号,避免了因通道数量过少造成的分类精确度不足的问题。
本发明的技术方案如下:
高速铁路行车调度员监控工作的注意力水平识别方法,其包括:
设计高速铁路行车调度模拟实验,获得被试人员在不同信息感知水平下、不同监控工作任务下的多通道脑电信号数据,所述脑电信号数据按时间序列采集;
通过时间压力系数法标定不同信息感知水平下的监控工作的信息感知密度;
采用Welch法对采集到的脑电信号数据转换至频域,并自转换后的信号数据中提取脑电特征指标;
基于提取到脑电特征指标及其对应的信息感知密度的感知水平类型,构造多项Logistic回归模型对注意力水平进行识别。
所述脑电特征指标的提取还包括通过包裹式特征退出法剔除所得脑电特征指标中重要性相对较低的指标。
根据本发明的一些优选实施方式,所述脑电特征指标的提取还包括通过包裹式特征退出法剔除所得脑电特征指标中重要性相对较低的指标。
根据本发明的一些优选实施方式,所述行车调度模拟实验设置有高、中、低三个信息感知水平下的工作场景。
根据本发明的一些优选实施方式,所述脑电信号数据通过64导脑电仪采集。
根据本发明的一些优选实施方式,所述脑电特征指标选自所述脑电信号数据的特定频段的平均功率和/或其各非线性组合中的一种或多种。
根据本发明的一些优选实施方式,所述高速铁路行车调度模拟实验包括:
安排已提前熟悉实验流程的被试人员监控一定调度区段及下辖车站的列车运行情况,其中每一名被试人员在高、中、低三种信息感知水平下于9:00~10:00时段内进行重复实验,其间,每间隔30min被试人员进行一次列车晚点调整或区间和/或车站的限速任务;
其中,
在高信息感知水平下,被试人员每5min检查一次上线列车数、列车进路排列、列车晚点情况以及车站组织情况;
在中信息感知水平下,降低被试人员的监控工作任务量;
在低信息感知水平下,进一步降低被试人员的监控工作任务量,使其需要关注的信息最少;
在实验过程中,采用多通道脑电仪按监控工作的任务类型分别采集被试人员的脑电信号数据。
根据本发明的一些优选实施方式,所述监控工作任务类型包括:简单反应任务、识别辨认任务、选择反应任务、计算回忆任务、决策任务和判断任务。
根据本发明的一些优选实施方式,所述信息感知密度的标定包括:
确定所述高速铁路行车调度模拟实验中不同信息感知水平下各类监控工作任务的时间压力系数及各自的发生次数,其中,所述监控工作任务的时间包括观察时间、辨识时间及判断时间;
确定所述高速铁路行车调度模拟实验进行的总时长;
根据所述各类监控工作任务的时间压力系数、其发生次数及所述总时长,计算获得不同信息感知水平下的监控工作的信息感知密度。
根据本发明的一些优选实施方式,所述监控工作的信息感知密度的计算模型如下:
所述时间压力系数通过以下计算模型获得:
wb=Tp+2Tc
wp=N(Tp+Tc+Iclog2(N+1))
根据本发明的一些优选实施方式,所述特征指标的提取包括:
将所述脑电信号数据在第t个通道第m分钟的时间序列xt,m(n)等分为k个可叠加的数据段,每个数据段含有M个采样点,相邻数据段含有D个重叠采样点;
计算获得第i个数据段的功率谱周期图;
基于所得功率谱周期图,计算获得第t个通道第m分钟的功率谱估计值;
根据所得功率谱估计值,计算获得第t个通道第m分钟在频段[a,b]内的平均功率;
以计算得到的各通道在α、β、θ频段内的平均功率及其非线性组合β/α、(α+θ)/β、(α+θ)/(α+β)的平均功率比值作为所述脑电特征指标。
根据本发明的一些优选实施方式,所述功率谱周期图通过以下计算模型得到:
xt,m,i(n)=xm(n+(i-1)(M-D));n=0,1,...,M-1;i=1,2,...,k,
其中,Pt,m,i(f)表示周期功率,xt,m,i(n)表示第t个通道第m分钟的第i个数据段,w(n)表示Hamming窗函数,Fs表示采样频率,f表示频率,n表示采样点数量;
所述功率谱估计值通过以下计算模型得到:
所述平均功率通过以下计算模型得到:
其中,a、b分别表示频段的起始频率。
根据本发明的一些优选实施方式,所述多项Logistic回归模型的构造包括:
通过包裹式特征退出法剔除所得脑电特征指标中重要性相对较低的指标;
根据优选后的指标和其对应的标签建立多项Logistic回归模型,以识别注意力水平;
其中,所述标签由所述信息感知密度的感知水平类型的赋值形成。
根据本发明的一些优选实施方式,所述优选后的指标包括:AF3电极通道的θ,α频段平均功率;F7电极通道的α频段平均功率;F3电极通道的β频段平均功率;F1电极通道的θ,α,β频段平均功率;C3电极通道的θ频段平均功率;P8电极通道的(α+θ)/(α+β)功率比值;PO7电极通道的(α+θ)/β功率比值,(α+θ)/(α+β)功率比值;PO5电极通道的(α+θ)/β功率比值,(α+θ)/(α+β)功率比值;POZ电极通道的θ频段平均功率;PO4电极通道的α频段平均功率;PO6电极通道的α频段平均功率;PO8电极通道的(α+θ)/(α+β)功率比值。
本发明具备以下有益效果:
本发明通过时间压力系数法在无外界条件刺激下标定了高铁调度员监控管工作的信息感知水平,其可准确表征调度员的注意力水平。
本发明采用Welch法进行了脑电信号数据的提取,进一步可基于预测变量重要性排序进行特征退出,保留了更为主要的脑电特征指标,提高了识别分类模型的识别率,保证了模型识别的准确率,同时显著减少了模型计算量。
本发明结合高铁调度员实际监督情况,搭建了高速铁路模拟调度环境,设计了一个用于监督工作状态下高速铁路行车调度员注意力水平的辨识模式,该实验的设计保证了原始数据的准确性,为指标的采集、处理及计算分析环节奠定了基础。
本发明解决了高铁调度员监控工作下注意水平的识别问题,有效辨识监控工作中“失环”现象。
本发明实现了对非侵入式变量的评估以及实验变量的控制,较好地排除了外界其他因素的干扰。
本发明通过多通道脑电信号,特别是在一些具体实施方式中,通过特定数量的电极通道信号获得了获得针对高速铁路行车调度员监控工作的注意水平识别方法,其避免了因通道数量过多或过少而造成分类精确度的不足。进一步的,可选取分类准确率最高的通道数量,保证识别模型的准确率。
附图说明
图1为本发明的一种具体实施流程示意图。
图2为具体实施方式所述多项回归模型的构造流程示意图。
图3为本发明基于Welch法的计算实例中某一被试在1min时的脑电信号图。
图4为本发明基于Welch法的计算实例中特征提取过程示意图。
图5为本发明基于Welch法的计算实例中获得的P08通道第1min时的功率谱估计结果。
图6为本发明的模型分类实例。
具体实施方式
以下结合实施例和附图对本发明进行详细描述,但需要理解的是,所述实施例和附图仅用于对本发明进行示例性的描述,而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。
参照图1,根据本发明的技术方案,一些具体的实施方式包括以下过程:
设计高速铁路行车调度模拟实验,获得被试人员在不同信息感知水平下、不同监控工作任务下的脑电信号数据,所述脑电信号数据按时间序列采集。
通过时间压力系数法标定不同信息感知水平下的监控工作的信息感知密度。
采用Welch法对采集到的脑电信号数据转换至频域,并自转换后的信号数据中提取脑电特征指标。
基于提取到脑电特征指标及其对应的信息感知密度,构造多项Logistic回归模型对注意力水平进行识别。
其中,
所述行车调度模拟实验优选设置信息感知水平不同的三个场景。
所述脑电特征指标的提取包括对次要成分的剔除,以保证识别准确率。
进一步的,所述高速铁路行车调度模拟实验可设置如下:
设计已提前熟悉行车调度实验流程的被试人员监控约340公里的调度区段及下辖9个车站的列车运行情况,其中每一名被试人员需要在高、中、低三种信息感知水平下在上午9:00~10:00时段内进行重复实验,每间隔30min被试人员进行一次列车晚点调整或区间/车站限速任务,不同信息感知水平的划分可参照现有技术进行,如Y.Ke等人的实验设计(KeY,Chen L,Fu L,et al.Visual attention recognition based on nonlineardynamical parameters of EEG[J].Bio-medical materials and engineering,2014,24(1):349-355.)。
其中,在高信息感知水平下,被试人员需要每5分钟检查一次上线列车数、列车进路排列、列车晚点情况以及车站组织情况等
在中信息感知水平下,降低被试人员的实验任务量。
在低信息感知水平下,进一步降低被试人员的实验任务量,使其需要关注的信息最少,不需要将较多的注意力放在屏幕上。
实验过程中采用64导脑电仪按监控工作的任务类型分别采集被试人员脑电数据,在一些具体实施例中,采集中电极定位使用国际10-20坐标系统,脑电的采样频率为1000Hz,在原始数据的基础上,采用0.1~30Hz的脑电波段,参考电极为全头平均,使用ICA去除眼电伪迹,最后剔除掉坏段得到该阶段最终的57个有效通道,其中第t个通道第m分钟的脑电时间序列信号可表示为:
xt,m(n),n=0,1,...,60Fs-1。
以上模拟实验考虑到高速铁路行车调度任务可以分为多种任务,需要极强的注意力在各项任务中,常规的操作任务下,操作人员在接受刺激任务后会对相关信息进行处理,最后做出相应的反应。操作人员在接收信息过程中,其神经兴奋达到一定的强度,这种兴奋会把信息传向神经中枢,当前输入的信息与记忆中的信息被进行综合的加工,形成操作人员对刺激物的整体反映,于是便知道发生了什么。在该过程中,操作人员与操作设备间频繁的发生互动,而操作人员在监控工作时,会将更多的注意力放在大脑的思考当中,与操作设备的接触次数减少,主要任务是信息的接收与反馈,下达调度指令等。且由于每个人的认知习惯、生理反应存在较大差异,有必要进行调度模拟实验,收集多个实验数据使得实验结果更贴合实际情况,有利于提高模型的识别准确率。
进一步的,所述信息感知密度的标定可包括:
对实验中高(H)、中(M)、低(L)三种信息感知水平下的信息感知密度分别进行标定,具体步骤如下:
步骤一:确定所述高速铁路行车调度模拟实验中各类监控工作的时间压力系数及各自的发生次数,其中监控工作的时间包括观察时间、辨识时间及判断时间。
步骤二:确定所述高速铁路行车调度模拟实验进行的总时长。
步骤三:通过以下计算模型计算单位时间内的监控工作的信息感知密度:
步骤四:结合高铁调度员简单反应、识别辨认、选择反应、计算回忆、决策、判断六类监控工作任务,通过以下计算模型获得完善后的时间压力系数,如下:
wb=Tp+2Tc
wp=N(Tp+Tc+Iclog2(N+1))
其中,对于监控工作任务的平均观察时间取值可根据实际情况确定,数值可不唯一,在一些具体实施例中,本发明的第i类监控工作任务平均观察时间取值为12300ms。
在一些具体实施例中,知觉时间常量Tp取值范围为50~200ms;认知时间常量Tc取值范围为25~170ms;反应时间常量Ic取值范围为150~157ms。
根据本发明的标定过程,可将高铁调度员在监控任务中的注意分配有效辨识并感知调度指挥信息的关键,在一定时间内感知并对信息精细化的负荷可以作为表征高铁调度员监控工作注意水平波动的标准。
所述脑电特征指标的提取可包括:
步骤一:将脑电信号数据的时间序列xt,m(n)等分为k个数据段(数据段可叠加),每个数据段含有M个采样点,相邻数据段含有D个重叠采样点。
其中,第t个通道第m分钟的第i个数据段可表示为:
xt,m,i(n)=xm(n+(i-1)(M-D));n=0,1,...,M-1;i=1,2,...,k,其中n表示采样点数量。
在一些具体实施例中,可设置M=1000,D=M/2。
步骤二:通过以下计算模型获得第i个数据段的功率谱周期图:
其中:w(n)表示Hamming窗函数,Fs表示采样频率,f表示频率。
在一些具体实施例中,可设置w(n)=0.54-0.46cos(2πn/M)
步骤三:通过以下计算模型获得第t个通道第m分钟的功率谱估计值:
步骤四:通过以下计算模型获得第t个通道第m分钟在频段[a,b]内的平均功率:
其中,a、b分别表示频段的起始频率,[a,b]频段可具体包括如δ、θ、α、β波段,其中,δ波段的频率范围是1~4Hz,θ波段的频率范围是4~8Hz,α波段的频率范围是8~13Hz,β波段的频率范围是13~30Hz。
步骤五:以计算所得各通道脑电信号频段的平均功率及其平均功率的非线性组合β/α、(α+θ)/β、(α+θ)/(α+β)作为所述脑电特征指标。
该过程中,对采集到的可直观观测信号形状,但不能通过有限的参数对信号进行准确描述的脑电时域信号转换到了频域,通过频域分析,将复杂信号分解为简单信号的叠加,可以更精确地了解信号的构成,同时可减小计算量会相对减小。因此采用welch法将脑电信号从时域转换到频域分布,计算各频段的平均功率。
进一步,参照图2,所述多项Logistic回归模型的构造包括:
步骤一:对所得特征指标进行优选,剔除其中次要成分,以提高模型的分类准确率。
其可进一步包括:
定义分类反应变量yji,其满足:当第i个样本Xi属于第j类时,yji=1,否则yji=0;
对于样本Xi,令Xi(r)=0为Xi,r(r=1,2,...,d),去掉第r位的特征后的残差平方和为:
其中,X=[x1,x2,...,xd]表示样本指标向量;Xi表示第i个样本;r表示第r位特征;d表示特征个数;Xi(r)表示第i个样本的第r位特征;Xi,r表示Xi(r)=0时的值。
确定所得特征指标中各指标的预测变量的相对重要性,如下:
根据预测变量的相对重要性对样本指标向量进行降维处理,如下:
Xd-1=[x1,x2,...,xargmin(E)=[],...,xd]=[x1,x2,...,xd-1],
其中,xargmin(E)表示指标E相对重要性的返回最小索引。
根据以上步骤完成特征指标的挑选,从而减小因特征数量过多而对识别准确率产生的影响。
在具体的一些实施例中,本发明经上述特征退出处理后,保留的的特征指标包括:AF3电极通道的θ,α频段平均功率;F7电极通道的α频段平均功率;F3电极通道的β频段平均功率;F1电极通道的θ,α,β频段平均功率;C3电极通道的θ频段平均功率;P8电极通道的(α+θ)/(α+β)功率比值;PO7电极通道的(α+θ)/β功率比值,(α+θ)/(α+β)功率比值;PO5电极通道的(α+θ)/β功率比值,(α+θ)/(α+β)功率比值;POZ电极通道的θ频段平均功率;PO4电极通道的α频段平均功率;PO6电极通道的α频段平均功率;PO8电极通道的(α+θ)/(α+β)功率比值。
上述过程进一步减少了特征数量但同时不显著降低识别准确率。
步骤二:根据优选后的指标和其对应的标签建立多项Logistic回归模型,以识别注意力水平。
其可进一步包括:
输入待识别样本和标签;
其中,所述样本可设置如下:
X=[x1,x2,...,xd]=[PAt,i],
其中,PAt,i表示通道t的第i个指标。
其对应的分类标签为被试某一分钟内的信息感知密度的等级分类标签,如下:
Y=0(P∈L),1(P∈M),2(P∈H),
其中,P表示该组实验数据的信息感知密度概率。
对输入数据进行Logistic回归分析。
其中,指定Y=0为参考类,另两类标签的Logit函数分别设置为:
式中:X=[1,X],行向量b为Logistic模型的参数集。
进一步可利用极大似然估计求得Logistic模型参数,如下:
令
P(y=1|x;θ)=hθ(x)
P(y=0|x;θ)=1-hθ(x)
其中,θ表示样本的参数估计;hθ(x)表示关于x的函数。
得到概率函数如下:
p(y|x;θ)=(hθ(x))y(1-hθ(x))1-y。
求得概率函数的似然函数,如下:
对所得似然函数求对数,如下:
求似然函数的最大值,得到的θ即为模型的参数,如下:
依据求得的模型参数,得到样本X属于类别j的概率pj(X)为:
根据以下的识别规则,确定样本X的注意力类别:
其中,argmax函数为返回最大值的索引。
实施例1
选取一名被试人员按照具体实施方式提供的流程进行时长为36分钟的实验,取其第1分钟的数据为例,获取被试人员的脑电特征指标,其基于Welch法进行脑电参数计算的实例如图3~5所示,得到的样本各频段平均功率为:
δ=328.89μv;θ=40.70μv;α=24.34μv;β=15.69μv。
实施例2
根据具体实施方式的流程,获得一样本集,其对应的模拟实验共采用了57个通道的电极采集数据,每一个样本中,包含有7个不同的特征指标,分别为δ,θ,α,β,β/α,(α+θ)/β,(α+θ)/(α+β)的功率特征值。样本的原组别和分类组别中,均表示为:3-高信息感知水平,2-中信息感知水平,1-低信息感知水平,其中16号样本的原组别为3,经本发明的模型分类之后,也被分到3组别,分到该正确组别的概率是0.953。
本实施例中共采集15个样本的实验数据,经特征提取与筛选后,将数据输入模型进行分类,如附图6所示,验证可知该分类模型的准确率较高。
以上实施例仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下的改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.高速铁路行车调度员监控工作的注意力水平识别方法,其特征在于,其包括:
设计高速铁路行车调度模拟实验,获得被试人员在不同类型信息感知水平下、不同监控工作任务下的多通道脑电信号数据,所述脑电信号数据按时间序列采集;
通过时间压力系数法标定不同类型信息感知水平下的监控工作的信息感知密度;
采用Welch法对采集到的脑电信号数据转换至频域,并自转换后的信号数据中提取脑电特征指标;
基于提取到的脑电特征指标及其对应的标签构造多项Logistic回归模型对注意力水平进行识别,其中,所述标签由所述信息感知密度的感知水平类型的赋值形成;
其中,所述不同类型信息感知水平具体包括高信息感知水平、中信息感知水平和低信息感知水平;所述脑电特征指标选自所述脑电信号数据的特定频段的平均功率和/或其各非线性组合中的一种或多种;
所述信息感知密度的标定具体包括:
确定所述高速铁路行车调度模拟实验中不同类型信息感知水平下各类监控工作任务的时间压力系数及各自的发生次数,其中,所述监控工作任务的时间包括观察时间、辨识时间及判断时间;
确定所述高速铁路行车调度模拟实验进行的总时长;
根据所述各类监控工作任务的时间压力系数、其发生次数及所述总时长,计算获得不同类型信息感知水平下的监控工作的信息感知密度,如下:
其中,时间压力系数通过以下计算模型获得:
wb=Tp+2Tc
wp=N(Tp+Tc+Iclog2(N+1))
2.根据权利要求1所述的注意力水平识别方法,其特征在于,所述脑电特征指标的提取还包括通过包裹式特征退出法剔除所得脑电特征指标中重要性相对较低的指标。
3.根据权利要求1所述的注意力水平识别方法,其特征在于,所述高速铁路行车调度模拟实验包括:
安排已提前熟悉实验流程的被试人员监控一定调度区段及下辖车站的列车运行情况,其中每一名被试人员在高、中、低三种信息感知水平下于9:00~10:00时段内进行重复实验,其间,每间隔30min被试人员进行一次列车晚点调整或区间和/或车站的限速任务;
其中,
在高信息感知水平下,被试人员每5min检查一次上线列车数、列车进路排列、列车晚点情况以及车站组织情况;
在中信息感知水平下,降低被试人员的监控工作任务量;
在低信息感知水平下,进一步降低被试人员的监控工作任务量,使其需要关注的信息最少;
在实验过程中,采用多通道脑电仪按监控工作的任务类型分别采集被试人员的脑电信号数据。
4.根据权利要求1所述的注意力水平识别方法,其特征在于,所述脑电特征指标的提取包括:
将所述脑电信号数据在第t个通道第m分钟的时间序列xt,m(n)等分为k个可叠加的数据段,每个数据段含有M个采样点,相邻数据段含有D个重叠采样点;
计算获得第i个数据段的功率谱周期图;
基于所得功率谱周期图,计算获得第t个通道第m分钟的功率谱估计值;
根据所得功率谱估计值,计算获得第t个通道第m分钟在频段[a,b]内的平均功率;
以计算得到的各通道在α、β、θ波段内的平均功率及其非线性组合β/α、(α+θ)/β、(α+θ)/(α+β)的平均功率比值作为所述脑电特征指标。
6.根据权利要求1所述的注意力水平识别方法,其特征在于,所述多项Logistic回归模型的构造包括:
通过包裹式特征退出法剔除所得脑电特征指标中重要性相对较低的指标;
根据优选后的指标和其对应的标签建立多项Logistic回归模型,以识别注意力水平。
7.根据权利要求6所述的注意力水平识别方法,其特征在于,所述脑电信号数据通过64导脑电仪采集,所述优选后的指标包括:AF3电极通道的θ、α频段平均功率;F7电极通道的α频段平均功率;F3电极通道的β频段平均功率;F1电极通道的θ、α、β频段平均功率;C3电极通道的θ频段平均功率;P8电极通道的(α+θ)/(α+β)功率比值;PO7电极通道的(α+θ)/β功率比值,(α+θ)/(α+β)功率比值;PO5电极通道的(α+θ)/β功率比值,(α+θ)/(α+β)功率比值;POZ电极通道的θ频段平均功率;PO4电极通道的α频段平均功率;PO6电极通道的α频段平均功率;PO8电极通道的(α+θ)/(α+β)功率比值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210176817.9A CN114569130B (zh) | 2022-02-25 | 2022-02-25 | 高速铁路行车调度员监控工作的注意力水平识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210176817.9A CN114569130B (zh) | 2022-02-25 | 2022-02-25 | 高速铁路行车调度员监控工作的注意力水平识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114569130A CN114569130A (zh) | 2022-06-03 |
CN114569130B true CN114569130B (zh) | 2023-07-04 |
Family
ID=81773591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210176817.9A Active CN114569130B (zh) | 2022-02-25 | 2022-02-25 | 高速铁路行车调度员监控工作的注意力水平识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114569130B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1142533A1 (en) * | 2000-04-04 | 2001-10-10 | STMicroelectronics S.r.l. | "Monitoring and classification of the physical activity of a person" |
CN111248879A (zh) * | 2020-02-20 | 2020-06-09 | 电子科技大学 | 一种基于多模态注意力融合的高血压老年人活动分析方法 |
CN111657889A (zh) * | 2020-06-03 | 2020-09-15 | 大连理工大学 | 一种基于毫米波雷达的非接触式驾驶员疲劳检测方法 |
CN113786204A (zh) * | 2021-09-03 | 2021-12-14 | 北京航空航天大学 | 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105321105A (zh) * | 2014-05-28 | 2016-02-10 | 任运 | 主从协助管理服务器 |
WO2016028228A1 (en) * | 2014-08-21 | 2016-02-25 | Avennetz Technologies Pte Ltd | System, method and apparatus for determining driving risk |
DE102014218487A1 (de) * | 2014-09-15 | 2016-03-17 | Hoppe Bordmesstechnik Gmbh | Verfahren zum Bestimmen einer Brennstoffmasse und einer Brennstoffdichte |
CN106919948B (zh) * | 2015-12-28 | 2021-04-06 | 西南交通大学 | 一种驾驶持续性注意水平的识别方法 |
EP3487738B1 (en) * | 2016-07-20 | 2022-03-30 | Toyota Motor Europe | Control device, system and method for determining a comfort level of a driver |
DE102017217603B3 (de) * | 2017-10-04 | 2019-03-21 | Volkswagen Aktiengesellschaft | Verfahren zum Betreiben eines Assistenzsystems für ein Kraftfahrzeug und Kraftfahrzeug |
CN110604565A (zh) * | 2019-08-02 | 2019-12-24 | 北京脑陆科技有限公司 | 一种基于便携式eeg设备的脑部健康筛查方法 |
CN111680913B (zh) * | 2020-06-08 | 2023-09-01 | 中国船舶工业综合技术经济研究院 | 一种舰员的超负荷工作检测方法及系统 |
FI129685B (fi) * | 2020-06-08 | 2022-06-30 | Glaston Finland Oy | Menetelmä ja laite lasilevyjen karkaisemiseksi |
CN112324401B (zh) * | 2020-10-15 | 2021-09-24 | 中国地质大学(武汉) | 一种近密度球塞气举模拟实验举升系统及效率评价方法 |
CN112644506A (zh) * | 2021-01-05 | 2021-04-13 | 江苏大学 | 一种基于模型长短时记忆神经网络lstm-nn检测驾驶人驾驶分心的方法 |
CN112869743B (zh) * | 2021-01-15 | 2021-10-22 | 北京理工大学 | 一种考虑认知分心的运动起始意图神经解析方法 |
CN113758653A (zh) * | 2021-09-09 | 2021-12-07 | 河南平高电气股份有限公司 | 一种对sf6密度继电器实时监测并预判断漏气的方法 |
CN113951903B (zh) * | 2021-10-29 | 2022-07-08 | 西南交通大学 | 基于脑电数据测定的高速铁路调度员超负荷状态识别方法 |
-
2022
- 2022-02-25 CN CN202210176817.9A patent/CN114569130B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1142533A1 (en) * | 2000-04-04 | 2001-10-10 | STMicroelectronics S.r.l. | "Monitoring and classification of the physical activity of a person" |
CN111248879A (zh) * | 2020-02-20 | 2020-06-09 | 电子科技大学 | 一种基于多模态注意力融合的高血压老年人活动分析方法 |
CN111657889A (zh) * | 2020-06-03 | 2020-09-15 | 大连理工大学 | 一种基于毫米波雷达的非接触式驾驶员疲劳检测方法 |
CN113786204A (zh) * | 2021-09-03 | 2021-12-14 | 北京航空航天大学 | 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114569130A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107224291B (zh) | 调度员能力测试系统 | |
Raghu et al. | A novel approach for real-time recognition of epileptic seizures using minimum variance modified fuzzy entropy | |
Hamad et al. | Feature extraction of epilepsy EEG using discrete wavelet transform | |
Kayikcioglu et al. | Fast and accurate PLS-based classification of EEG sleep using single channel data | |
Di Flumeri et al. | On the use of cognitive neurometric indexes in aeronautic and air traffic management environments | |
Pisano et al. | Convolutional neural network for seizure detection of nocturnal frontal lobe epilepsy | |
CN111931576A (zh) | 基于ewt和改进csp的癫痫信号分类方法 | |
CN111951637B (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 | |
CN113951903B (zh) | 基于脑电数据测定的高速铁路调度员超负荷状态识别方法 | |
Yu et al. | Diverse frequency band-based convolutional neural networks for tonic cold pain assessment using EEG | |
Ahmadi et al. | Automated detection of driver fatigue from electroencephalography through wavelet-based connectivity | |
CN112220485A (zh) | 一种癫痫脑电图/脑磁图异常波自动检测方法与定位系统 | |
CN114693170A (zh) | 一种基于多源参数融合的飞行员跳伞训练心理评估方法 | |
Wong et al. | Detection of high-frequency oscillations in electroencephalography: A scoping review and an adaptable open-source framework | |
CN114847958A (zh) | 一种基于心电信号的应激和疲劳监测方法及系统 | |
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 | |
CN111671445A (zh) | 一种意识障碍程度分析方法 | |
WO2004028362A1 (en) | Eeg-based fatigue detection | |
CN112057087A (zh) | 精神分裂症高风险人群自主神经功能的评估方法及装置 | |
CN114569130B (zh) | 高速铁路行车调度员监控工作的注意力水平识别方法 | |
Wang et al. | Automated rest eeg-based diagnosis of depression and schizophrenia using a deep convolutional neural network | |
CN113397482B (zh) | 一种人类行为分析方法及系统 | |
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 | |
Lei | Driver mental states monitoring based on brain signals | |
CN115017996B (zh) | 一种基于多生理参数的脑力负荷预测方法和系统 |
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 |