CN113951903A - 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 - Google Patents

Abstract

本发明公开了一种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，包括以下步骤：步骤一，行车调度实验；步骤二，选取被试者采集的脑电数据进行分析；步骤三：脑电波特征向量提取；步骤四：支持向量机分类识别；引入支持向量机模型计算高铁调度员超负荷状态的脑电特征向量阈值，进而确定调度员在各时间段的工作状态。本发明的优点是：更加客观准确地发现高速铁路调度员超负荷工作的状态，对高速铁路调度员超负荷工作预警干预提供了理论依据。

Description

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

技术领域

本发明涉及高铁技术领域，特别涉及一种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。

背景技术

高速铁路调度员作为行车调度的直接决策者和指挥者，监测高速铁路调度员在持续工作中的工作负荷是有效预防高速铁路事故的关键性因素。现有的工作负荷监测技术的应用情景，主要存在于空中管制员和机动车驾驶员的工作负荷研究中。研究人员通过脑电数据的方法，记录工作人员的脑电波特征信息，提取特征信息计算负荷程度。通过人脑工作产生电波的原理，预测到达指定负荷水平的时间，用神经网络和随机优化方法评估几种指标的组合方式，开发脑电波测试软件以获取驾驶员的脑电波特征信息，通过已有的生理医学研究结论，可以反映实验对象的精神压力状态。

但目前在高铁调度员领域对脑电信号负荷指标阈值的相关研究尚不多见。现有调度员工作负荷研究主要基于反应时间与精神状态的相关性进行探讨，未有基于多采样点脑电指标组合对工作负荷进行评估。高铁调度员在长时间持续工作的过程中，会进入较高负荷的工作状态，这样状态下的工作往往容易引起疲劳，诱发操作失误甚至造成事故。传统的阈值测量方法本质上都是心理学方法，需要被试者的充分配合，被试者的实验环境、注意力等其他因素会影响测量结果，被试者难以精确配合测出真实阈值。

由于不同岗位的工作内容不同，需要采取针对高铁调度员的负荷监测方法，而对于高速铁路行车调度员工作负荷的针对性研究尚未形成。因此亟待提出一种针对高速铁路行车调度员负荷程度的客观、准确的监测方法，为高铁调度员负荷程度实时检测平台的开发提供理论基础。

与本发明相关的现有技术一

基于列车驾驶员的脑电特征识别的工作负荷监测方法。通过脑电仪实时采集脑电波数据，采用分析软件对采集到的脑电数据进行分析处理。

当波的功率频谱密度乘以一个适当的系数后将得到每单位频率波携带的功率，即脑电信号的功率谱密度。它的数学意义是，脑电波在一定频率下所包含的能量大小。对脑电信号进行叠加平均后，将其时间序列和脑电强度数据输入特定函数，用以实现基于自回归功率谱估计改进的协方差方法，对功率谱密度进行计算。

在去除电流伪迹后，通过功率谱密度选择提取事件电位的最佳频段，用分析软件将该频段从脑电波中分离出来，得到新的脑电波数据。再根据驾驶员各脑部区域的实时脑电波幅值情况，判定其工作负荷程度。结合主观量表对列车驾驶员在工作一定时间后的工作负荷程度进行分级，再将量化的脑电波幅值数据值结合主观量表的工作负荷分级，进一步判定驾驶员实时处于的工作负荷级别。

现有技术一的缺点

一、结合主观量表对工作负荷程度进行判定，未制定客观科学的工作负荷状态分级方式。

二、指标选取方式缺乏专业针对性，未结合被试人员的实际工作情况，包括工作时间、工作内容等。

三、未考虑不同人员的精神状态差异，对特定工作人员制定阈值标准界定高失误率的工作状态，缺乏对高度工作负荷下何时进行干预的参考。

与本发明相关的现有技术二

支持向量机(SVM)模型分类算法。其优点是有很强的非线性拟合能力，可映射任意复杂的非线性关系，且学习规则简单，便于计算机实现。具有很好的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此有很广泛的应用。

支持向量机方法建立在统计学习理论的VC维理论和结构风险最小原理基础上。根据有限的样本信息在模型的复杂性和学习能力间寻求最佳的折中方式，以期获得最好的泛化能力。

VC维函数用以描述复杂程度的度量，VC维越高，问题越复杂。SVM模型通过关注VC维，引入核函数，通过相对少量的样本就能够解决大批量数据样本的分类问题。

结构风险即模型误差累积的风险。最直观的方式是使用分类器在样本数据上的分类的结果与真实结果之间的差值来表示，该差值为经验风险Remp(w)。统计学习中再将泛化误差界概念引入结构风险，即真实风险由两部分内容组成：一是经验风险，代表了分类器在给定样本上的误差；二是置信风险，代表了分类器在未知数据分类结果上的可信任程度。置信风险与两个量有关，一是样本数量，给定的样本数量越大，学习结果越有可能正确，此时置信风险越小；二是分类函数的VC维，VC维越大，泛化能力越差，置信风险会变大。

通过引入核函数，对数据样本进行分类计算，将处理后的脑电波数据分为两类。将其中的数据接近无工作刺激的一类列为正常工作负荷状态，接近最大工作刺激的一类列为高工作负荷的状态。

现有技术二的缺点

一、支持向量机通常用于二分法，即把样本分为两个类别，多级分类的还有待提高。无法设置多层级下的识别分类问题，对于实际存在多状态的场景适应性较差。

二、脑电波事件电位维度较高，支持向量机的计算中，过高维的特征向量大大增加了模式识别计算过程中的时间复杂度和空间复杂度。

发明内容

本发明针对现有技术的缺陷，提供了一种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，解决了高速铁路行车调度员的工作状态监测，识别高铁调度员在负荷程度高时的工作状态，保证日常调度生产工作的安全开展。

为了实现以上发明目的，本发明采取的技术方案如下：

一种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，包括以下步骤：

步骤一，行车调度实验，参考高速铁路行车调度员工作时间安排对被试人员进行试验，通过64通道脑电仪实时采集被试人员在脑部各电位的全部脑电波参数，包括幅值和频率；脑电波采样率设置为1000Hz；实验期间记录被试人员每次事件刺激前500ms到事件刺激后1500ms时间范围内的脑电数据作为采集样本，并确保所有采集样本中包含完整的事件相关电位数据。对采集到的脑电数据进行预处理，剔除原始信号中一些明显的干扰噪声、肌肉运动等所产生的十分明显的波形漂移数据；使用伪迹矫正方法，从采集的脑电信号中除去受眼点伪迹影响的部分。

步骤二，选取被试者采集的脑电数据进行分析，分别对每名被试人员的64个通道点位的脑电信号进行叠加平均后，将其时间序列和脑电强度数据输入pmc ov函数，用以实现基于自回归功率谱估计改进的协方差方法，对功率谱密度进行计算，功率谱密度表示为：

式中满足：

式中：

代表电流角频率，T和t代表电流产生时刻，

代表时间和角频率的对应向量，

则是它的共轭转置向量。

绘制脑电信号功率谱密度分析图，根据功率谱密度分析结果，提取3Hz以下的脑电成分用于分析，得出最佳分析效果。

步骤三：脑电波特征向量提取；

以每3小时为一个时间阶段，采集全部实验时间内的调度员脑电事件相关电位数据。截取每个时间阶段波峰值最高的事件相关电位数据。

以20个采样点为步长，对事件相关电位峰附近的序列进行升余弦窗扫描，表达式如下：

式中：d代表电位产生时对应的时刻，M代表足够长的事件相关电位判定时刻，

为d时刻对应的电流角频率，体现此时电位的能量变化率。

根据升余弦扫描结果，选择各被试者及各电流刺激等级比较一致的最优时段作为模式识别的特征序列，即以事件相关电位峰为基准，截取每次工作刺激产生的事件相关电位相邻区域的n个采样点作为脑电波特征向量。

步骤四：支持向量机分类识别；

根据导出的脑波事件相关电位数据，将每个工作时间阶段下，脑电最高峰值对应的事件相关电位样本作为最大工作负荷刺激值。提取n个相邻采样点作为单个样本数据，则每组数据的特征序列向量为n维。将特征序列向量采取降维处理。将实验数据样本分为两类，一类是在调度工作负荷刺激下出现事件相关电位的信号组，另一类为无调度工作刺激的空白对照组。得出整个调度工作中，最高负荷时，以及无调度工作刺激空白组的维特征向量，计算两类向量与实验过程中工作刺激下的向量的欧氏距离：

式中：n为特征序列向量的维数，x_i、y_i分别为目标向量的对应元素。用X轴表示的值即为各样本模式中心与无刺激状态样本模式中心的欧氏距离；Y轴则表示各样本模式中心与最高负荷状态样本模式中心的欧氏距离，达到特征向量降至二维的目的。

在每名被试的每个工作时间阶段，选取事件相关电位波峰值最高的20个有效样本，得出降维后的欧氏距离二维坐标。

通过找出信号组和对照组的脑电特征向量分布情况，确定在各工作时段条件下，高铁调度员达到较高负荷状态时的脑电特征向量阈值。将特征向量达到这一阈值时的状态称为超负荷状态。

引入支持向量机模型计算高铁调度员超负荷状态的脑电特征向量阈值，进而确定调度员在各时间段的工作状态。

进一步地，步骤四中将超负荷状态和正常状态样本降维得到欧氏距离样本[a_i，y_i](i＝1,2,…,n)，式中a_i∈R²，用y_i＝1表示对工作刺激有明显反应的脑电信号特征值，y_i＝-1则表示对工作刺激没有明显反应的脑电信号特征值。

进一步地，步骤四中向量机模型建立步骤如下：

步骤1，首先进行线性分类，即找出最优分类面(ω·x)+b＝0，其中x＝[x₁,x₂]，ω∈R²，b∈R，ω和b待定，若满足条件

即得y_i((ω·a_i)-b)≥1，i＝1，…，n，式中满足方程(ω·a_i)+b＝±1的样本即为支持向量。

要使两类总体到分类面的距离最大，则有

步骤2，根据分类面满足条件，建立如下SVM模型：

s.t.y_i((ω·a_i)+b)≥1，i＝1，…，n

求得最优值对应的ω^*，b^*，可得分类函数：

g(x)＝sgn((ω^*·x)+b^*)

sgn函数即为返回的整型变量，指出参数的正负号。当g(x)＝1时，把样本归于对工作刺激有明显反应的一类α波信号强度，当g(x)＝-1时，把样本归于对工作刺激没有明显反应的一类α波信号强度。

步骤3，为求解该模型，将其化为对偶问题，首先定义拉格朗日函数:

式中α＝[α₁,…,α_n]^T∈Rⁿ⁺。

由KKT互补条件，通过ω和b求偏导，得

得

代入原拉格朗日函数，得

可得分类函数表达式为

步骤4拉格朗日函数中的(a_i·a_j)是核函数的线性形式，采用非线性核函数K(a_i，x)＝(a_ix+1)^d将原样本空间线性不可分的向量转化到高维特征中线性可分的向量。用核函数K(a_i，x)替换之，得一般模型表达式为：

分类函数表达式即为

式中，K(a_i，x)为选取的支持向量机核函数，α_i ^*为最优值对应的拉格朗日向量空间，y_i为各特征向量中心与无刺激脑电特征向量模式中心的欧氏距离，b^*为最优分类平面对应截距。

根据以上SVM模型分类方法，处理高铁调度员被试在四个工作时间阶段的工作刺激下的脑电峰值最高的事件相关电位数据。确定g(x)＝±1的样本连线即表示两类支持向量平面，即为最佳分类面向量。样本特征序列向量降维处理后在分类面上方的样本满足高铁调度员超负荷状态，分类面下方的样本则为正常负荷范围。

与现有技术相比，本发明的优点在于：

制定客观科学的工作负荷状态分级方式，结合了被试人员的实际工作情况，考虑了不同人员的精神状态差异，能够得到高度工作负荷下何时进行干预的数据，摒弃了当前结合工作人员主观疲劳感受进行负荷分级与判定的方法。设置了时间段下的识别分类，对于实际存在多状态的场景适应性强。相对于结合工作人员主观判断自身疲劳程度的方法，能够更加客观准确地发现高速铁路调度员超负荷工作的状态，对高速铁路调度员超负荷工作预警干预提供了理论依据。

附图说明

图1为本发明实施例行车调度实验流程图；

图2为本发明实施例功率谱密度及滤波分析流程图；

图3为本发明实施例高铁调度员脑电信号功率谱密度分析图；

图4为本发明实施例脑电波特征向量提取流程图；

图5为本发明实施例事件相关电位最高峰值数据图；

图6为本发明实施例支持向量机分类识别流程图；

图7为本发明实施例工作刺激脑电特征向量分布图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。

一种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，包括以下步骤：

步骤一：行车调度实验，如图1所示；

从中国铁路总公司调度员培训班的学生人中招募了20名参与者，年龄在27-37岁之间(平均33.6岁，标准差2.4岁)，拥有熟练掌握高速铁路调度操作的技能，无精神或心理疾病史，视力或矫正视力正常，在实验前一周内没有服用精神类药物。

参考高速铁路行车调度员工作时间安排，即四班倒12h工作制：白班+夜班+白班+夜班+3天休息。本实验选用模拟运行线路，每名被试在清醒状态下分别持续进行12h的高铁调度工作，按照每个白班班次的工作时长12h作为实验时间，记录被试人员在工作过程中的全部脑电波参数。

将12h的实验时间分为四个记录时段(每3h为一段)，分别研究四段工作时间中的工作负荷情况。

实验前24h，向被试人员讲解实验区段线路、车站、运行图、任务情况，以便参与者了解实验任务。

实验前1h，被试人员进入实验室熟悉实验环境与实验器材，包括调度工作试验台，脑电采集仪器。

实验前15min，被试人员检查实验系统初始状态。

实验开始后，实绩运行图模拟系统开始工作。系统随机出现正常工作事件，由被试人员进行处置，工作事件出现频率与实际生产中的情况基本一致。同时通过64通道Neuroscan脑电仪实时采集被试人员在脑部各电位的全部脑电波参数，包括幅值、频率等；脑电波采样率设置为1000Hz；实验期间记录被试人员每次事件刺激前500ms到事件刺激后1500ms时间范围内的脑电数据(共2000ms)作为采集样本，并确保所有采集样本中包含完整的事件相关电位数据。

采用Curry Neroimaging Suite 7.0.9.5软件对采集到的脑电数据进行分析处理。

步骤二：基于功率谱密度的滤波分析，如图2所示；

当波的功率频谱密度乘以一个适当的系数后将得到每单位频率波携带的功率，即脑电信号的功率谱密度。它的数学意义是，脑电波在一定频率下所包含的能量大小。任选一被试者采集的脑电数据进行分析，分别对64个通道点位的脑电信号进行叠加平均后，将其时间序列和脑电强度数据输入pmcov函数，用以实现基于自回归功率谱估计改进的协方差方法，对功率谱密度进行计算，功率谱密度可表示为：

式中满足：

式中：

代表电流角频率，T代表电流产生时刻，

代表时间和角频率的对应向量，

则是它的共轭转置向量。

用实线表示较大电流刺激下脑电信号的功能谱密度分布，而虚线则为没有施加电流刺激时静息状态下所采集的脑电信号功能谱密度分布，如图3所示。

结果表明，脑电大部分能量都分布在25Hz以下，且脑电频率在3Hz以下时，两类脑电信号频谱能量达到最高，二者强度在该频率区间下差别最大。因此通过低通滤波有利于工作刺激事件相关电位的数据分析与特征提取。脑电分析宜选择3Hz低通滤波，即提取3Hz以下的脑电成分用于分析，能够得出最佳效果。

步骤三：脑电波特征向量提取，如图4所示；

实验期间记录被试人员每次事件刺激前500ms到事件刺激后1500ms时间范围内的脑电数据(共2000ms)作为采集样本，并确保所有采集样本中包含完整的事件相关电位数据。

脑电采集器的采样频率为1000Hz，即每毫秒采集一个脑电幅值数据，因此一组脑电信号序列样本含有2000个采样数据(即2s的脑电序列)。根据脑电基本知识以及大量研究表明，事件相关电位出现在外界刺激施加后几百毫秒时间内，每次工作刺激的2000个脑电序列样本。叠加平均结果事件相关电位随施加电流刺激强度不同而发生改变。

根据实验观察，被试每持续工作3小时，低频段脑电幅值出现明显升高，负荷程度加重。以每3小时为一个阶段，采集全部实验时间内的调度员脑电事件相关电位数据图。截取每个时间阶段波峰值最高的事件相关电位数据，如图5所示(以被试一为例)。

以20个采样点为步长，利用软件Curry7.0.9.5对事件相关电位峰附近的序列进行升余弦窗扫描，表达式如下：

式中：n代表电位对应的时刻，M代表足够长的事件相关电位判定时刻，

为n时刻对应的电流角频率，可以体现此时电位的能量变化率。

最终找到最优的用于分辨事件相关电位时间段为300ms～500ms，此时间段为各被试者及各电流刺激等级比较一致的最优时段。将此最优时间段作为模式识别的特征序列，即以事件相关电位峰为基准，截取每次工作刺激产生的事件相关电位相邻区域的200个采样点(即200ms脑电序列)，作为脑电特征序列。

步骤四：支持向量机分类识别，如图6所示；

根据导出的脑波事件相关电位数据，将每个工作时间阶段下，脑电最高峰值对应的事件相关电位样本作为最大工作负荷刺激值。本实验中提取200个相邻采样点作为单个样本数据，则每组数据的特征序列向量为200维。高维特征向量增加了模式识别计算过程中的时间复杂度和空间复杂度，因此应将200维特征序列向量采取降维处理。将实验数据样本分为两类，一类是在调度工作负荷刺激下出现事件相关电位的信号组，另一类为无调度工作刺激的空白对照组。得出整个调度工作中，最高负荷时(即低通滤波后的脑电信号强度最高的事件相关电位)，以及无调度工作刺激空白组的900维特征向量，计算两类向量与实验过程中工作刺激下的向量的欧氏距离：

式中：n＝200，为特征序列向量的维数，x_i、y_i分别为目标向量的对应元素。用X轴表示的值即为各样本模式中心与无刺激状态样本模式中心的欧氏距离；Y轴则表示各样本模式中心与最高负荷状态样本模式中心的欧氏距离，达到特征向量降至二维的目的。

在每名被试的每个工作时间阶段，选取事件相关电位波峰值最高的20个有效样本，得出降维后的欧氏距离二维坐标。以实心圆点表示受到工作刺激时的脑电特征向量，以空心圆点表示未受到工作刺激时的脑电特征向量，如图7所示(以被试一为例)。

在有工作刺激时，脑电特征向量的最高值与无工作刺激的模式中心距离远，即离X轴远；在无工作刺激时，脑电特征向量的最高值与无工作刺激的模式中心距离近，即离X轴近。当施加的工作刺激对于高铁调度员来说较小时，脑电信号特征向量与无电流刺激时的脑电信号特征向量聚集较为集中；但随着工作时间变长，有工作刺激下的特征向量逐渐远离无工作刺激下的特征向量，两类向量区分度增强。通过找出两类情况下的脑电特征向量分类方法，可以确定在各工作时段条件下，高铁调度员达到较高负荷状态时的脑电特征向量阈值。将特征向量达到这一阈值时的状态称为超负荷状态。

支持向量机对高维度的特征量有着很好的分类效果，运用核函数可以灵活解决各种非线性的分类回归问题，适用于脑电信号的特征向量分类处理。本发明引入支持向量机模型计算高铁调度员超负荷状态的脑电特征向量阈值，进而确定调度员在各时间段的工作状态。

为确定支持向量机将超负荷状态和正常状态的正确分类方法，将两类样本降维得到欧氏距离样本[a_i，y_i](i＝1,2,…,200)，式中a_i∈R²，用y_i＝1表示对工作刺激有明显反应的脑电信号特征值，y_i＝-1则表示对工作刺激没有明显反应的脑电信号特征值。

根据以下步骤建立支持向量机模型：

步骤1，首先进行线性分类，即找出最优分类面(ω·x)+b＝0，其中x＝[x₁,x₂]，ω∈R²，b∈R，ω和b待定，若满足条件

即得y_i((ω·a_i)-b)≥1，i＝1，…，n，式中满足方程(ω·a_i)+b＝±1的样本即为支持向量。

要使两类总体到分类面的距离最大，则有

步骤2，根据分类面满足条件，建立如下SVM模型：

s.t.y_i((ω·a_i)+b)≥1，i＝1，…，n

求得最优值对应的ω^*，b^*，可得分类函数

g(x)＝sgn((ω^*·x)+b^*)

sgn函数即返回一个整型变量，指出参数的正负号。当g(x)＝1时，把样本归于对工作刺激有明显反应的一类α波信号强度，当g(x)＝-1时，把样本归于对工作刺激没有明显反应的一类α波信号强度。

步骤3，为求解该模型，将其化为对偶问题，首先定义拉格朗日函数:

式中α＝[α₁,…,α_n]^T∈Rⁿ⁺。

由KKT互补条件，通过ω和b求偏导，得

得

代入原拉格朗日函数，得

可得分类函数表达式为

步骤4拉格朗日函数中的(a_i·a_j)是核函数的线性形式，采用非线性核函数K(a_i，x)＝(a_ix+1)^d可以将原样本空间线性不可分的向量转化到高维特征中线性可分的向量。用核函数K(a_i，x)替换之，得一般模型表达式为：

分类函数表达式即为

式中，K(a_i，x)为选取的支持向量机核函数，α_i ^*为最优值对应的拉格朗日向量空间，y_i为各特征向量中心与无刺激脑电特征向量模式中心的欧氏距离，b^*为最优分类平面对应截距。

根据以上SVM模型分类方法，处理20名高铁调度员被试在四个工作时间阶段的工作刺激下的脑电峰值最高的20组事件相关电位数据。确定g(x)＝±1的样本连线即表示两类支持向量平面，即为最佳分类面向量。样本特征序列向量降维处理后在分类面上方的样本满足高铁调度员超负荷状态，分类面下方的样本则为正常负荷范围。

超负荷状态模式识别结果

记录每一被试者在各时间阶段下的超负荷状态产生频率，如表1所示：

表1高铁调度员超负荷状态模式识别结果

根据20名被试得出的超负荷状态概率分布数据，表明各被试每阶段的超负荷状态频率都分布在长度为15％的范围以内，分布较为集中，其判定准确性较高。

以每3个小时持续工作时间为界限，能够比较明显地划分高铁调度员的不同工作精神状态：高铁调度员0～3h工作时间阶段超负荷状态的事件相关电位比例分布在18.62％～29.06％，平均值为23.67％；3～6h工作时间阶段则分布在30.28％～41.23％之间，平均值为36.52％；6～9h工作时间阶段分布在43.25％～55.43之间，平均值为49.40％；9～12h工作时间阶段分布在58.21％～72.54之间，平均值为65.00％。

识别结果表明，第一阶段达到超负荷工作状态的情况较少，精力充沛；中间两个阶段，注意力和精力开始有显著下降，疲劳程度增强，超负荷工作状态加深；最后一个阶段，所有被试超负荷状态的频率几乎全部达到60％以上，均有较高的人因失误风险。

随着工作持续时间的增加，高铁调度员的负荷程度在不断加强，表现在脑电数据中的情况即为有更多的脑电特征向量达到该时段的超负荷状态阈值。负荷程度越高，表现出超负荷状态的频率就越高。

超负荷状态绝对阈值

假设每个被试者都能感知每次工作刺激，并由感受器感受到形成神经脉冲，经由神经纤维传导至中枢神经系统，最终在大脑皮层上产生与外界电流刺激。事件相关电位通过提取特征向量及支持向量机识别分类，将每个电流强度等级通过模式识别判断感知到刺激的脑电信号组数与该刺激强度等级下总脑电信号组数进行比较,所得比例即为人体在该电流强度下的感知概率阈值在生理学方面定义为绝对阈值。对绝对阈值概念引入统计学标准：绝对阈值为50％的实验次数能引起积极反应的刺激值。

在20名被试的0～3h和3～6h工作时段中，均未有积极反应频率达到绝对阈值的时间段，工作状态良好；在6～9h时间段内，有10名被试积极反应频率达到绝对阈值，对应被试人员产生较大疲劳；在9～12h时间段内，所有被试全部达到绝对阈值，即全部进入超负荷工作状态。达到绝对阈值的被试人员引发失误操作和事故的风险高，应当采取合理措施进行疲劳缓解和工作状态干预。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (3)

1.一种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，其特征在于，包括以下步骤：

步骤一，行车调度实验，参考高速铁路行车调度员工作时间安排对被试人员进行试验，通过64通道脑电仪实时采集被试人员在脑部各电位的全部脑电波参数，包括幅值和频率；脑电波采样率设置为1000Hz；实验期间记录被试人员每次事件刺激前500ms到事件刺激后1500ms时间范围内的脑电数据作为采集样本，并确保所有采集样本中包含完整的事件相关电位数据；对采集到的脑电数据进行预处理，剔除原始信号中一些明显的干扰噪声、肌肉运动等所产生的十分明显的波形漂移数据；使用伪迹矫正方法，从采集的脑电信号中除去受眼点伪迹影响的部分；

步骤二，选取被试者采集的脑电数据进行分析，分别对每名被试人员的64个通道点位的脑电信号进行叠加平均后，将其时间序列和脑电强度数据输入pmcov函数，用以实现基于自回归功率谱估计改进的协方差方法，对功率谱密度进行计算，功率谱密度表示为：

式中满足：

式中：

代表电流角频率，T和t代表电流产生时刻，

代表时间和角频率的对应向量，

则是它的共轭转置向量；

绘制脑电信号功率谱密度分析图，根据功率谱密度分析结果，提取3Hz以下的脑电成分用于分析，得出最佳分析效果；

步骤三：脑电波特征向量提取；

以每3小时为一个时间阶段，采集全部实验时间内的调度员脑电事件相关电位数据；截取每个时间阶段波峰值最高的事件相关电位数据；

以20个采样点为步长，对事件相关电位峰附近的序列进行升余弦窗扫描，表达式如下：

式中：d代表电位产生时对应的时刻，M代表足够长的事件相关电位判定时刻，

为d时刻对应的电流角频率，体现此时电位的能量变化率；

根据升余弦扫描结果，选择各被试者及各电流刺激等级比较一致的最优时段作为模式识别的特征序列，即以事件相关电位峰为基准，截取每次工作刺激产生的事件相关电位相邻区域的n个采样点作为脑电波特征向量；

步骤四：支持向量机分类识别；

根据导出的脑波事件相关电位数据，将每个工作时间阶段下，脑电最高峰值对应的事件相关电位样本作为最大工作负荷刺激值；提取n个相邻采样点作为单个样本数据，则每组数据的特征序列向量为n维；将特征序列向量采取降维处理；将实验数据样本分为两类，一类是在调度工作负荷刺激下出现事件相关电位的信号组，另一类为无调度工作刺激的空白对照组；得出整个调度工作中，最高负荷时，以及无调度工作刺激空白组的维特征向量，计算两类向量与实验过程中工作刺激下的向量的欧氏距离：

式中：n为特征序列向量的维数，x_i、y_i分别为目标向量的对应元素；用X轴表示的值即为各样本模式中心与无刺激状态样本模式中心的欧氏距离；Y轴则表示各样本模式中心与最高负荷状态样本模式中心的欧氏距离，达到特征向量降至二维的目的；

在每名被试的每个工作时间阶段，选取事件相关电位波峰值最高的20个有效样本，得出降维后的欧氏距离二维坐标；

通过找出信号组和对照组的脑电特征向量分布情况，确定在各工作时段条件下，高铁调度员达到较高负荷状态时的脑电特征向量阈值；将特征向量达到这一阈值时的状态称为超负荷状态；

引入支持向量机模型计算高铁调度员超负荷状态的脑电特征向量阈值，进而确定调度员在各时间段的工作状态。

2.根据权利要求1所述的一种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，其特征在于：步骤四中将超负荷状态和正常状态样本降维得到欧氏距离样本[a_i，y_i](i＝1,2,…,n)，式中a_i∈R²，用y_i＝1表示对工作刺激有明显反应的脑电信号特征值，y_i＝-1则表示对工作刺激没有明显反应的脑电信号特征值。

3.根据权利要求2所述的一种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，其特征在于：步骤四中向量机模型建立步骤如下：

步骤1，首先进行线性分类，即找出最优分类面(ω·x)+b＝0，其中x＝[x₁,x₂]，ω∈R²，b∈R，ω和b待定，若满足条件

即得y_i((ω·a_i)-b)≥1，i＝1，…，n，式中满足方程(ω·a_i)+b＝±1的样本即为支持向量；

要使两类总体到分类面的距离最大，则有

步骤2，根据分类面满足条件，建立如下SVM模型：

s.t.y_i((ω·a_i)+b)≥1，i＝1，…，n

求得最优值对应的ω^*，b^*，可得分类函数：

g(x)＝sgn((ω^*·x)+b^*)

sgn函数即为返回的整型变量，指出参数的正负号；当g(x)＝1时，把样本归于对工作刺激有明显反应的一类α波信号强度，当g(x)＝-1时，把样本归于对工作刺激没有明显反应的一类α波信号强度；

步骤3，为求解该模型，将其化为对偶问题，首先定义拉格朗日函数:

式中α＝[α₁,…,α_n]^T∈Rⁿ⁺；

由KKT互补条件，通过ω和b求偏导，得

得

代入原拉格朗日函数，得

可得分类函数表达式为

步骤4拉格朗日函数中的(a_i·a_j)是核函数的线性形式，采用非线性核函数K(a_i，x)＝(a_ix+1)^d将原样本空间线性不可分的向量转化到高维特征中线性可分的向量；用核函数K(a_i，x)替换之，得一般模型表达式为：

分类函数表达式即为

式中，K(a_i，x)为选取的支持向量机核函数，α_i ^*为最优值对应的拉格朗日向量空间，y_i为各特征向量中心与无刺激脑电特征向量模式中心的欧氏距离，b^*为最优分类平面对应截距；

根据以上SVM模型分类方法，处理高铁调度员被试在四个工作时间阶段的工作刺激下的脑电峰值最高的事件相关电位数据；确定g(x)＝±1的样本连线即表示两类支持向量平面，即为最佳分类面向量；样本特征序列向量降维处理后在分类面上方的样本满足高铁调度员超负荷状态，分类面下方的样本则为正常负荷范围。

Images