CN115017996B - 一种基于多生理参数的脑力负荷预测方法和系统 - Google Patents

Abstract

本发明涉及一种基于多生理参数的脑力负荷预测方法和系统。所述方法包括下列步骤：S1.多模态生理数据数据处理及特征集构建；S2.基于熵判据的最优重要度特征子集选择；S3.基于支持向量回归的回归预测模型构建；S4.使用回归预测模型对高铁调度员进行脑力负荷监测。本发明采集操作者在应急场景处理过程中的多模态生理数据并加以处理，提出了一种基于熵判据的特征选择方法。结果表明，与原始特征集相比，本发明经过特征选择的数据集在SVR模型的回归预测中取得了更好的性能。

Description

一种基于多生理参数的脑力负荷预测方法和系统

技术领域

本发明涉及人因工程技术领域，尤其涉及一种面对高铁调度员的基于多生理参数的脑力负荷预测方法和系统。

背景技术

工作负荷是一个涉及到工作要求、能力水平、任务难度、时间压力和努力程度等因素的多维概念。目前，常用的工作负荷评价方法有主观评价法、任务分析法、生理测量法和复杂性分析法等。例如，利用主观评价法(NASA—TXL量表法)将工作负荷的影响因素归类，并赋予相应的权重，加权求得工作负荷。生理测评法的指标按照所涉及的生理器官功能分为三大类,分别是与大脑、心脏以及眼睛相关的生理指标。在驾驶员精神负荷的研究过程中，用FMRI和FNIRS相关技术获取驾驶员在相对狭窄的交通道路中大脑生理活动数据，证明脑血流量是有效评价大脑精神负荷的生理指标。在研究飞行员的驾驶任务中发现，飞行员的精神负荷伴随着飞行任务量的增加而随之增大，但其心率变异性功率谱密度中LF频率值也随之降低。通过生理仪采集的心电和脑电数据构建驾驶过程中驾驶负荷预测模型，并可以用来监测人机交互的实际使用效果。模拟驾驶游戏实验的结果也表明，在不同的精神负荷水平下被测试者的注视点分布模式存在显著差异，随着精神负荷的不断增加，注视点的集中区域会有所缩小。

现有技术CN102725889B公开了一种脑力负荷检测方法，提取脑电信号的线性特征参数和非线性特征参数，提取大脑近红外光谱信号中的血氧饱和度指数，采用支持向量机回归或人工神经网络建立脑力负荷检测模型。现有技术CN 111839506B公开了一种脑力负荷检测方法及装置，获取待测对象的生理信号，将所述生理信号输入至预设的时间卷积网络模型，根据所述时间卷积网络模型的输出结果，获取待测对象的脑力负荷类型。现有技术CN113576481A公开了一种脑力负荷评估方法、装置、设备、介质，获取被测者的脑电信号和心电信号，然后对脑电信号进行特征提取，得到PSD特征，对心电信号进行特征提取，得到HR特征和HRV特征，最后以脑电信号、PSD特征、HR特征和HRV特征作为模型输入，利用评估模型得到被测者的脑力负荷类别。现有技术CN112256123A公开了基于脑负荷的操控工效分析方法、设备及系统，获取操控选手操控目标对象执行目标任务产生的操控行为数据和生理信息数据；根据所述操控行为数据和所述生理信息数据，确定与脑负荷评价指标对应的第二生理特征向量的向量值；所述第二生理特征向量包括影响所述脑负荷评价指标的多个第二生理特征；将所述第二生理特征向量的向量值输入预置的脑负荷识别模型，获得所述操控选手对于所述脑负荷评价指标的评分。

现有的基于生理数据的脑力负荷研究，多集中在汽车驾驶、航空航天等领域。与二者相比，铁路领域受限于生理数据采集设备的侵入性，有关研究尚有深入的空间。上述现有技术方案中，对脑力负荷的评价多以类别方式呈现；生理数据的来源也集中于一项或几项生理指标。本发明利用回归算法，将脑力负荷的评估预测结果表达为量化数值的形式，直观的显示处脑力负荷的水平；本发明采用的多生理参数同时包含脑电、心电和眼动三类生理数据，能够支撑构建充分包含高相关度特征指标的数据集，提高机器学习模型的精确性。本发明基于高铁调度仿真平台，对调度员在应急处置过程中的生理数据进行采集，通过构建生理数据与脑力负荷的相关性模型，实现对调度员脑力负荷的检测和监测。

如何克服上述现有技术方案的不足, 能够进行高铁调度员在应急场景下脑力负荷的预测，使工作负荷的评估和计算具备客观性，帮助考核和监督人员更好地了解和掌握高铁调度在岗人员的从业素质与工作能力，提高调度指挥工作的安全性和可靠性，成为本技术领域亟待解决的课题。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于多生理参数的脑力负荷预测方法和系统，具体采用如下技术方案。

一种基于多生理参数的脑力负荷预测方法，所述方法包括下列步骤：

S1.获取被测人员的多生理参数，将每一生理参数分别输入至预设的信号处理及特征提取算法；并输出所述多生理参数对应的特征向量，并且，获取所述多生理参数样本和每个多生理参数样本对应的脑力负荷值，将每个多生理参数样本对应的生理参数和脑力负荷值的组合作为一个训练样本，从而得到训练样本集合；

S2.基于熵判据的最优重要度特征子集选择，将所述多生理参数输入至预设的熵判据算法，根据所述训练样本集合计算各特征向量的熵判据值，若所述熵判据值大于零，则对应的特征向量保留下来，更新所述训练样本集合；

S3.构建基于支持向量回归的回归预测模型，利用所述训练样本集合对所述回归预测模型进行训练；

S4.将所述特征向量输入至所述所述回归预测模型，输出特征向量对应的回归数值，根据所述回归数值获取被测人员的脑力负荷数值，对被测人员进行脑力负荷监测。

一种采用如上述所述基于多生理参数的脑力负荷预测方法的基于多生理参数的脑力负荷预测系统，所述系统包括下列部分：

数据采集处理模块，用于获取被测人员的多生理参数，将每一生理参数分别输入至预设的信号处理及特征提取算法；并输出所述多生理参数对应的特征向量，并且，获取所述多生理参数样本和每个多生理参数样本对应的脑力负荷值，将每个多生理参数样本对应的生理参数和脑力负荷值的组合作为一个训练样本，从而得到训练样本集合；

特征选择模块，基于熵判据的最优重要度特征子集选择，将所述多生理参数输入至预设的熵判据算法，根据所述训练样本集合计算各特征向量的熵判据值，若所述熵判据值大于零，则对应的特征向量保留下来，更新所述训练样本集合；

模型构建模块，用于构建基于支持向量回归的回归预测模型，利用所述训练样本集合对所述回归预测模型进行训练；

监测模块，用于将所述特征向量输入至所述所述回归预测模型，输出特征向量对应的回归数值，根据所述回归数值获取被测人员的脑力负荷数值，对被测人员进行脑力负荷监测。

本发明提供的技术方案的有益效果是：采用多种生理信号特征提取方法，综合运用信号处理理论及数学方法，针对脑电、心电和眼动三类生理信号，构建了三条独立的信号处理及特征提取通道，能够良好地适应多模态生理参数各自的数据特征；基于熵判据的特征选择过程剔除无效特征，有效提高了支持向量回归模型的回归预测性能。

附图说明

图1为本发明基于多生理参数的脑力负荷预测方法的流程图。

图2为本发明采用基于熵判据特征选择方法后得到的预测结果可视化输出示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。

除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本发明的具体实施例涉及一种基于多生理参数的脑力负荷预测方法和系统。

所述基于多生理参数的脑力负荷预测方法，参见附图1，具体包括下列步骤：

S1.多模态生理数据数据处理及特征集构建；

S2.基于熵判据的最优重要度特征子集选择；

S3.基于支持向量回归的回归预测模型构建。

S4.使用回归预测模型对高铁调度员进行脑力负荷监测。

本发明首先获取被测人员的多生理参数，多生理参数包括脑电信号、心电信号和眼动信号。将上述多生理参数输入至信号处理及特征提取算法，利用算法对多生理参数进行特征提取，输出多生理参数对应的特征向量。本发明基于仿真实验平台，采集操作者在应急场景处理过程中的多模态生理数据并加以处理。

所述提取所述脑电信号的特征、所述心电信号的特征、所述眼动信号的特征具体包括：提取出预设频率的脑电波段，并计算该频率范围内的功率谱数据作为所述脑电信号的特征；对心电信号去噪后，从中提取出心率变异性信号，作为所述心电信号的特征；从注视点数据中提取注视行为数据，结合瞳孔数据作为所述眼动信号的特征。

所述步骤S1.多模态生理数据数据处理及特征集构建，具体包括下列步骤：

S11.基于离散小波分解的脑电数据特征提取。

本发明对脑电测试系统采集到的多通道脑波信号，首先使用eeglab工具包对其进行电极定位、电位重参考、滤波去噪等基础处理，然后利用离散小波分解的方法提取出脑电中θ，α，β三个波段作为研究对象，计算各波段的能量谱密度作为脑电特征。

首先对采集到的脑电数据进行预处理，使用基于国际10-20系统的标准通道位置，对通道电极点进行定位，使用带通滤波器滤除50Hz工频干扰，并使用0.1~30Hz的带通滤波器滤除高频段噪声，选择双侧乳突作为重参考通道，对电位进行重参考。

对经过预处理的脑电信号，采用离散小波分解的方法提取脑波中的特定波段。离散正交小波变换的快速鱼骨算法公式如下：

式中， 为尺度系数， 为小波系数，j为离散小波分解的层数，和为滤波器，为信号在时域上的平移量，为采样点数，为信号长度。

在尺度下，尺度系数和小波系数都可以通过上一个尺度下的尺度系数，分别经过滤波器和得到。根据所需波段的频率范围，确定离散小波分解的层数j；获得波段对应层级的尺度系数或小波系数后，通过离散小波反变换获得相应频段的信号波形。离散小波反变换的公式如下：

式中，为重构后得到的原始信号，为信号长度，表示分解的最小级别尺度系数，代表相应的尺度函数；表示各级小波系数，表示相应的小波函数。

在获得所需频段的脑波后，分别计算其各自频段的功率谱，作为脑电信号的特征。

S12.基于平稳小波变换的心电数据特征提取。

本发明对心电传感器采集到的ECG信号，利用平稳小波变换的方法消除噪声，然后通过差分算法进行R波标记，得到HRV波形，提取出时域、频域及非线性有关特征。

首先基于平稳小波变换原理对心电信号进行去噪处理。平稳小波变换在变换过程中不采用下抽样处理，同时，对滤波器进行隔点插值补零。信号的平稳小波变换分解公式为：

式中，表示第级尺度系数，和分别表示频率对半的高通滤波器和低通滤波器，由此得到第级的尺度系数和小波系数。

将含有噪声的信号进行平稳小波变换后，对分解的高频细节信号每层各自进行噪声的方差估计，公式如下：

确定各层细节信号阈值门限，公式如下：

式中，为小波系数的个数。

对各层细节系数进行硬阈值处理，低频近似系数不做处理，利用平稳小波逆变换进行信号重构，实现信号去噪。平稳小波逆变换公式如下：

式中，和分别表示对尺度系数和小波系数进行奇偶交错的上采样过程。

去除噪音后，利用差分方法，对心电信号的R波进行标记，提取出R-R间期值作为心率变异性的标志。利用以下公式对数据进行计算，得到时域、频域、非线性等共12项特征，作为的特征维度。

其中，时域特征共四项，分别为RR间期标准差SDNN、RR间期均方根rMSSD、RR间期长度之差的标准差SDSD、RR间期中大于50ms的个数占总的RR间期的百分比pNN50。计算公式分别如下：

其中：

，

，

。

式中，表示相邻两R波波峰之间的时间间隔，表示下一相邻波峰之间的时间间隔；和表示R波波峰间隔数，表示波峰间隔中时间间隔大于50ms的个数。

通过如下公式计算心电信号不同频段的功率谱密度，获得其频域特征：

式中，表示信号长度，表示信号在频率处的信号幅值。

通过如下公式计算心电庞加莱散点图拟合椭圆的短轴SD2及长轴SD1，并进一步计算拟合椭圆的面积s：

式中，分别表示点集的横坐标集合和纵坐标集合。

对心电信号进行小波分解，将信号分解为j层，在尺度j下的离散小波系数为，一定长度的时窗内每个尺度j尺度信号的相对能量为，则可以通过如下公式计算心电信号的小波信息熵：

式中，表示信号的小波系数能量概率分布序列。

S13.基于位置阈值算法的眼动数据特征提取。

本发明对眼动仪采集到的眼动数据，利用位置距离阈值算法提取被试的注视行为，计算注视频率、平均注视时间，加上瞳孔的直径的均值和标准差数据，作为眼动的特征维度。

通过如下公式计算瞳孔直径均值pupil_mean和瞳孔直径标准差pupil_std：

式中，表示瞳孔直径，表示截取信号中所包含有效采样的个数。

通过位置阈值算法得到注视点集，分别通过如下公式计算注视点个数fix_point_num和平均注视时间fix_mean_time：

式中，表示所提取的注视点，表示注视点处的采样时间，表示截取信号中所包含的注视点数。

所述步骤S2.基于熵判据的最优重要度特征子集选择，具体包括下列步骤：

S21.对于维空间中的个样本，通过下式计算样本向量和的距离d：

其中表示第个特征的标准差，用于消除不同量纲对距离的影响，

S22.通过下式计算该两个样本间的相似度：

其中是控制相似度衰减的参数，越小，相似度随距离增长而衰减得越快。得到全部两个样本间的相似度，记为样本间的相似度矩阵：

S23.通过下式计算其中任意两个样本向量和的熵

式中，表示样本向量和之间的相似度。

S24.通过下式计算整个系统的平均熵

式中，表示整个系统所有样本向量两两间的熵的个数。

对应原始特征集中每个特征，计算剔除该特征后总体平均熵的增加量，作为特征的重要性度量

式中，表示剔除特征后系统的平均熵。

当时，表示对回归有用的特征被剔除。由此评估各个特征的重要性程度，筛选出重要特征子集。

所述步骤S3中基于支持向量回归的回归预测模型构建，是利用支持向量回归对最优特征子集与脑力负荷值之间的相关关系进行拟合，拟合完成后得到支持向量回归模型。

所述步骤S4中使用回归预测模型对高铁调度员进行脑力负荷监测，是调用步骤S3中得到并保存的.pickle模型文件，输入生理数据特征，模型输出脑力负荷预测值。

下面以收集到的120组有效生理测试数据作为示例，进一步说明本发明的方法。

步骤S1.多模态生理数据数据处理及特征集构建。具体分为以下步骤：

S11.基于离散小波分解的脑电数据特征提取。基于不同状态下人脑状态的活跃成分，采用5层离散小波分解，分别获得β（f=15.625-31.25hz）、α（f=7.8125-15.625hz）、θ（f=0-7.8125hz）三个频段的脑波分量，分别计算其功率。除去两个参考电极，共采集到6个通道的脑电信号，各通道分解为如上所述3个频段，共得到18项功率谱数据作为脑电信号的特征。取前5组样本数据如表1所示。

表1

S12.基于平稳小波变换的心电数据特征提取，依据前述公式，计算得到共12项心电特征。

取前5组样本数据如表2所示：

	样本1	样本2	样本3	样本4	样本5
						SDNN	0.098654	0.088758	0.051926	0.039463	0.052577
rMSSD	0.096675	0.096218	0.026284	0.027803	0.046526
						SDSD	0.088941	0.091221	0.016751	0.017375	0.039774
pNN50	0.125	0.067416	0.068681	0.083544	0.054913
						tp	0.59283	0.67162	0.7069	0.70115	0.69906
Plf	0.00090571	0.00066569	0.00076767	0.00093147	0.00075863
						phf	0.00023039	0.00025198	0.00015165	0.00016941	0.0006684
Lfhf	3.9312	2.6418	5.0621	5.4983	1.135
						Sd1	0.021481	0.019163	0.018608	0.019685	0.01808
Sd2	0.079895	0.057862	0.070918	0.0523	0.063907
						S	0.0053916	0.0034835	0.0041457	0.0032343	0.0036299
shang	0.061987,	0.06344	0.013369	0.014154	0.019953

表2

S13.基于位置阈值算法的眼动数据特征提取，依据前述公式，计算得到共4项眼动特征。

取前5组样本数据如表3所示：

	样本1	样本2	样本3	样本4	样本5
						Pupile_mean	26.475	25.624	26.859	25.908	26.02
Pupil_std	3.1366	3.1553	3.4928	3.2168	3.4094
						Fix_point_num	126	386	442	586	652
Fix_point_time	923.54	592.31	676.88	579.98	463.27

表3

步骤S2.基于熵判据的最优重要度特征子集选择。依据前述公式，计算得到各特征重要度。取的特征，包括6通道的β波段功率谱、SDNN、pNN50、sd1、注视点个数、平均注视时间等11项特征。

步骤S3.基于支持向量回归的回归预测模型构建。将步骤S2中所得最优特征子集输入支持向量回归模型，基于训练数据集进行拟合。

步骤S4.使用回归预测模型对高铁调度员进行脑力负荷监测。在回归预测的过程中采用基于熵判据的特征选择方法。将训练完成的回归模型在测试集上进行预测。将特征向量输入至支持向量回归模型，输出特征向量对应的回归数值，根据数值获取被测人员的脑力负荷数值。预测结果如附图2所示。

综上所述，本发明提出了一种基于多生理特征的脑力负荷预测方法，其中，对多模态生理数据的处理过程，包括原始信号的处理及特征空间的构建，针对三类生理信号，构建了三条独立的信号处理及特征提取通道，能够良好地适应不同生理参数各自的数据特征。

本发明基于多模态生理信息进行高铁调度员在应急场景下脑力负荷的预测，使工作负荷的评估和计算具备客观性，帮助考核和监督人员更好地了解和掌握高铁调度在岗人员的从业素质与工作能力，提高调度指挥工作的安全性和可靠性。本发明基于收集到的脑电、心电和眼动等生理数据，基于支持向量回归对脑力符合值进行拟合回归，得到脑力负荷预测模型。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

如上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种基于多生理参数的脑力负荷预测方法，其特征在于，所述方法包括下列步骤：

S1.获取被测人员的多生理参数，多生理参数包括脑电信号、心电信号和眼动信号，将每一生理参数分别输入至预设的信号处理及特征提取算法；并输出所述多生理参数对应的特征向量，具体包括：

S11.基于离散小波分解的脑电数据特征提取,包括对脑电测试系统采集到的多通道脑波信号，使用eeglab工具包对其进行电极定位、电位重参考、滤波去噪，然后利用离散小波分解的方法提取出脑电中θ，α，β三个波段，计算各波段的能量谱密度作为脑电特征；具体包括，对采集到的脑电数据进行预处理，使用基于国际10-20系统的标准通道位置，对通道电极点进行定位，使用带通滤波器滤除50Hz工频干扰，并使用0.1Hz-30Hz的带通滤波器滤除高频段噪声，选择双侧乳突作为重参考通道，对电位进行重参考；

对经过预处理的脑电信号，采用离散小波分解的方法提取脑波中的特定波段；离散正交小波变换的快速鱼骨算法公式如下：

式中， 为尺度系数， 为小波系数，j为离散小波分解的层数，和为滤波器，为信号在时域上的平移量，为采样点数，为信号长度；

在尺度下，尺度系数和小波系数都可以通过上一个尺度下的尺度系数，分别经过滤波器和得到；根据所需波段的频率范围，确定离散小波分解的层数j；获得波段对应层级的尺度系数或小波系数后，通过离散小波反变换获得相应频段的信号波形；离散小波反变换的公式如下：

式中，为重构后得到的原始信号，为信号长度，表示分解的最小级别尺度系数，代表相应的尺度函数；表示各级小波系数，表示相应的小波函数；

在获得所需频段的脑波后，分别计算其各自频段的功率谱，作为脑电信号的特征；

S12.基于平稳小波变换的心电数据特征提取，包括利用平稳小波逆变换进行信号重构，实现信号去噪；去除噪音后，利用差分方法，对心电信号的R波进行标记，提取出R-R间期值作为心率变异性的标志；对数据进行计算，得到时域、频域、非线性特征，作为的特征维度；具体包括：基于平稳小波变换原理对心电信号进行去噪处理;平稳小波变换在变换过程中不采用下抽样处理，同时，对滤波器进行隔点插值补零;信号的平稳小波变换分解公式为：

式中，表示第级尺度系数，和分别表示频率对半的高通滤波器和低通滤波器，由此得到第级的尺度系数和小波系数;

将含有噪声的信号进行平稳小波变换后，对分解的高频细节信号每层各自进行噪声的方差估计，公式如下：

确定各层细节信号阈值门限，公式如下：

式中，为小波系数的个数；

对各层细节系数进行硬阈值处理，低频近似系数不做处理，利用平稳小波逆变换进行信号重构，实现信号去噪;平稳小波逆变换公式如下：

式中，和分别表示对尺度系数和小波系数进行奇偶交错的上采样过程;

去除噪音后，利用差分方法，对心电信号的R波进行标记，提取出R-R间期值作为心率变异性的标志;利用以下公式对数据进行计算，得到时域、频域、非线性共12项特征，作为的特征维度;

其中，时域特征共四项，分别为RR间期标准差SDNN、RR间期均方根rMSSD、RR间期长度之差的标准差SDSD、RR间期中大于50ms的个数占总的RR间期的百分比pNN50;计算公式分别如下：

其中：

，

，

；

式中，表示相邻两R波波峰之间的时间间隔，表示下一相邻波峰之间的时间间隔；和表示R波波峰间隔数，表示波峰间隔中时间间隔大于50ms的个数;

通过如下公式计算心电信号不同频段的功率谱密度，获得其频域特征：

式中，表示信号长度，表示信号在频率处的信号幅值；

通过如下公式计算心电庞加莱散点图拟合椭圆的短轴SD2及长轴SD1，并进一步计算拟合椭圆的面积s：

式中，分别表示点集的横坐标集合和纵坐标集合；

对心电信号进行小波分解，将信号分解为j层，在尺度j下的离散小波系数为，一定长度的时窗内每个尺度j尺度信号的相对能量为，则可以通过如下公式计算心电信号的小波信息熵：

式中，表示信号的小波系数能量概率分布序列；

S13.基于位置阈值算法的眼动数据特征提取，具体包括：通过如下公式计算瞳孔直径均值pupil_mean和瞳孔直径标准差pupil_std：

式中，表示瞳孔直径，表示截取信号中所包含有效采样的个数；

通过位置阈值算法得到注视点集，分别通过如下公式计算注视点个数fix_point_num和平均注视时间fix_mean_time：

式中，表示所提取的注视点，表示注视点处的采样时间，表示截取信号中所包含的注视点数；

并且，获取所述多生理参数样本和每个多生理参数样本对应的脑力负荷值，将每个多生理参数样本对应的生理参数和脑力负荷值的组合作为一个训练样本，从而得到训练样本集合；

S2.基于熵判据的最优重要度特征子集选择，将所述多生理参数输入至预设的熵判据算法，根据所述训练样本集合计算各特征向量的熵判据值，若所述熵判据值大于零，则对应的特征向量保留下来，更新所述训练样本集合；

S3.构建基于支持向量回归的回归预测模型，利用所述训练样本集合对所述回归预测模型进行训练；

S4.将所述特征向量输入至所述所述回归预测模型，输出特征向量对应的回归数值，根据所述回归数值获取被测人员的脑力负荷数值，对被测人员进行脑力负荷监测。

2.根据权利要求1所述的基于多生理参数的脑力负荷预测方法，其特征在于，所述多生理参数包括脑电信号、心电信号和眼动信号；

所述信号处理及特征提取算法包括三种独立的面向不同来源生理参数的算法通道，分别用于提取所述脑电信号的特征、所述心电信号的特征、所述眼动信号的特征；

所述被测人员为高铁调度员。

3.根据权利要求1所述的基于多生理参数的脑力负荷预测方法，其特征在于，所述步骤S2包括如下步骤：

S21.对于维空间中的个样本，通过下式计算样本向量和的距离d：

其中表示第个特征的标准差，用于消除不同量纲对距离的影响；

S22.通过下式计算该两个样本间的相似度：

其中是控制相似度衰减的参数，越小，相似度随距离增长而衰减得越快，得到全部两个样本间的相似度，记为样本间的相似度矩阵：

 ；

S23.通过下式计算其中任意两个样本向量和的熵

，

式中，表示样本向量和之间的相似度；

S24.通过下式计算整个系统的平均熵

，

式中，表示整个系统所有样本向量两两间的熵的个数；

对应原始特征集中每个特征，计算剔除该特征后总体平均熵的增加量，作为特征的重要性度量

式中，表示剔除特征后系统的平均熵；

当时，表示对回归有用的特征被剔除，由此评估各个特征的重要性程度，筛选出重要特征子集。

4.根据权利要求1所述的基于多生理参数的脑力负荷预测方法，其特征在于，所述步骤S3中，利用所述训练样本集合对所述支持向量回归模型进行训练，具体包括：将所述训练样本集合输入至所述回归预测模型，输出所述训练样本集合对应的脑力负荷预测值；利用预设的均方误差函数根据所述脑力负荷预测值和所述训练样本集合的脑力负荷值计算误差值；若误差值小于预设阈值，则所述支持向量回归模型训练完成。

5.根据权利要求1所述的基于多生理参数的脑力负荷预测方法，其特征在于，所述步骤S4中，使用回归预测模型对被测人员进行脑力负荷监测，是调用步骤S3中得到并保存的.pickle模型文件，输入生理数据特征，模型输出脑力负荷预测值。

6.一种采用如权利要求1-5任意一项所述基于多生理参数的脑力负荷预测方法的基于多生理参数的脑力负荷预测系统，其特征在于，所述系统包括下列部分：

数据采集处理模块，用于获取被测人员的多生理参数，将每一生理参数分别输入至预设的信号处理及特征提取算法；并输出所述多生理参数对应的特征向量，并且，获取所述多生理参数样本和每个多生理参数样本对应的脑力负荷值，将每个多生理参数样本对应的生理参数和脑力负荷值的组合作为一个训练样本，从而得到训练样本集合；

特征选择模块，基于熵判据的最优重要度特征子集选择，将所述多生理参数输入至预设的熵判据算法，根据所述训练样本集合计算各特征向量的熵判据值，若所述熵判据值大于零，则对应的特征向量保留下来，更新所述训练样本集合；

模型构建模块，用于构建基于支持向量回归的回归预测模型，利用所述训练样本集合对所述回归预测模型进行训练；

监测模块，用于将所述特征向量输入至所述所述回归预测模型，输出特征向量对应的回归数值，根据所述回归数值获取被测人员的脑力负荷数值，对被测人员进行脑力负荷监测。

Images