CN114081491A - 基于脑电时序数据测定的高速铁路调度员疲劳预测方法 - Google Patents
基于脑电时序数据测定的高速铁路调度员疲劳预测方法 Download PDFInfo
- Publication number
- CN114081491A CN114081491A CN202111344932.4A CN202111344932A CN114081491A CN 114081491 A CN114081491 A CN 114081491A CN 202111344932 A CN202111344932 A CN 202111344932A CN 114081491 A CN114081491 A CN 114081491A
- Authority
- CN
- China
- Prior art keywords
- fatigue
- eeg
- state
- dispatcher
- time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005259 measurement Methods 0.000 title claims description 9
- 238000007477 logistic regression Methods 0.000 claims abstract description 29
- 230000003595 spectral effect Effects 0.000 claims abstract description 17
- 238000001228 spectrum Methods 0.000 claims abstract description 14
- 210000004556 brain Anatomy 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 26
- 238000002474 experimental method Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000012300 Sequence Analysis Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012353 t test Methods 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 206010016256 fatigue Diseases 0.000 description 118
- 238000012549 training Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002618 waking effect Effects 0.000 description 2
- 208000006992 Color Vision Defects Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 201000007254 color blindness Diseases 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036649 mental concentration Effects 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 230000001936 parietal effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 230000009897 systematic 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
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
-
- 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
-
- 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
-
- 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)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Social Psychology (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法，包括：步骤一，行车调度实验，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；步骤二，将幅值由时域分布转化为频域分布。使用快速傅里叶变换(FFT)计算功率谱，并进一步计算功率谱密度。步骤三，PAM聚类‑多元有序Logistic回归计算疲劳度。步骤四，基于LSTM的调度员疲劳度预测；本发明的优点是：提高了调度员疲劳预测的精度和速度。
Description
技术领域
本发明涉及高速铁路调度员疲劳预测技术领域，特别涉及一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法。
背景技术
高铁调度员在高速铁路运营系统中发挥关键作用，调度员的精神状态直接影响调度安全。我国高铁行车调度员作业具有负荷不均匀、环境单一、精神长时间集中的特性。大多数调度员在连续工作3h后开始疲劳，在连续工作7.5h后，疲劳状态更为显著。在工作时间上，高铁行车调度员作业班次实行四班倒，一个作业班次长达12h，并需要昼夜倒班，与现有疲劳研究较为完善的驾驶员、航空管制员有较大差异。
国内外对疲劳识别已有较为成熟的研究，其中脑电信号监测因其直接测量受测人员的大脑活动，在疲劳状态检测中精度最优。对大脑皮层的活动反应主要体现在δ(0.5～4Hz)、θ(4～8Hz)、α(8～13Hz)、β(13～30Hz)四个频段信号能量的变化，一般由通过功率谱密度量化。脑电实验研究发现警觉个体的大脑快波如α和β频段能量增加，疲劳个体的大脑慢波如δ和θ频段的能量增加。随着疲劳的发展，慢波与快波能量的比值会增大，脑电功率谱密度的组合方程θ/β和(θ+α)/(α+β)可作为列车驾驶员的疲劳评价指标。
现有基于脑电信号的疲劳识别与预测的研究多角度验证了脑电信号特征指标与个体疲劳的相关性，但目前基于生理信号对高铁行车调度员疲劳的量化研究较少，也鲜有考虑脑电信号和疲劳发展时序性特征的研究。此外，疲劳状态的确定受限于问卷、量表等主观方法。
考虑到高铁行车调度员工作内容和工作时间的特殊性，因此亟待提出基于脑电时序数据的调度员疲劳度预测方法。基于脑电特征指标对高铁行车调度员疲劳状态进行客观分级，并使用时序分析模型对调度员疲劳度进行预测，可为高铁行车调度员疲劳实时预警系统的研发提供理论支持。
与本发明相关的现有技术一
基于列车或汽车驾驶员的脑电数据的疲劳判定方法。通过脑电仪实时采集脑电信号数据，采用分析软件对采集到的脑电信号数据进行分析并预测被试疲劳度。
大脑皮层的疲劳状态反应主要体现的频段能量的变化，通过功率谱密度量化频段δ、θ、α、β的功率谱密度计算频段能量，进而得到能够反应调度员疲劳状态的脑电特征指标功率谱密度。
使用机器学习、深度学习的方式对脑电功率谱密度进行分析，将主观量表测得的疲劳等级与脑电信号作为输出和输入，训练模型并用于疲劳等级判定或预测。
现有技术一的缺点
一、结合主观量表对被试的疲劳状态进行分级，未制定客观科学的疲劳状态分级方式。
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、未考虑疲劳状态与过去时段疲劳度的关系，造成了数据的损失，降低了分级或预测的精度。
与本发明相关的现有技术二
时序分析模型预测算法。其优点是可以保留过去状态的数据，数据挖掘效果更好，在预测领域有广泛的应用。
时序分析模型中常用于生理信号分级预测的循环神经网络RNN(RecurrentNeural Network)模型，其优点是可以保留上个时段的隐藏层，能够提取时序特征，具有良好的泛化能力。长短期记忆神经网络LSTM(Long Short Time Memory)在RNN的基础上优化隐藏和循环结构的时序记忆神经网络，能够对过去多个时段的数据选择性的保留，对于具有明显周期性的时序数据如脑电信号，具有良好的预测效果。
现有技术二的缺点
一、因生理信号本身的连续性和疲劳发展的连续性，LSTM对于离散的疲劳等级预测精度较低，需要对离散疲劳等级进行回归处理提高预测精度。
二、脑电功率谱指标数据为高维数据，LSTM的预测依赖数据训练，高维的特征向量计算量大，影响LSTM的预测速度。
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时序数据测定的高速铁路调度员疲劳预测方法。
为了实现以上发明目的，本发明采取的技术方案如下：
一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法，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；
步骤二，为了得到脑电信号在各频段上的分布用于脑电各频段能量的计算，需将幅值由时域分布转化为频域分布。使用快速傅里叶变换(FFT)计算功率谱，并进一步计算功率谱密度。
截取以2s为分布域截取脑电信号波形，即前后两段脑电信号波形存在1s的重叠域。
对其中一段进行式(1)(2)所示的FFT，将脑电信号在时间上的幅值分布的f(n)，变换为在频域上的幅值分布f(k)
其中，n为参与FFT的脑电信号样本数量，N为大于等于n的最小的2幂值，j为常数。对2s的脑电信号段叠加汉明窗后进行FFT，得到固定时间窗的频域-幅值分布。
通过对固定时间窗的频域转换，得到全头62个通道的功率谱密度(PSD)在频域上的分布。各频段的功率的数值为对应频段的功率谱曲线所覆盖的面积，使用式(3)计算δ、θ、α、β频段功率谱密度
为从脑电功率谱中提取能够反应调度员疲劳状态的脑电特征指标，对各通道δ、θ、α、β频段的功率谱密度和其组合方程α/β、θ/β、(α+β)/β、(α+β)/θ和(θ+α)/(α+β)与调度员疲劳状态进行Pearson相关性、显著性t检验和灵敏度ROC曲线检验。筛选与疲劳状态相关性、显著性水平和ROC曲线AUG的脑电指标作为特征指标
步骤三，PAM聚类-多元有序Logistic回归计算疲劳度。
通过PAM聚类算法，结合清醒状态和疲劳状态所属的主要类别，确定聚类结果对应的时序疲劳等级。在有序分级基础上进行多元有序Logistic回归，获得连续的时序疲劳度。
步骤四，基于LSTM的调度员疲劳度预测；
将脑电特征指标的时序数值作为输入，PAM分级得到的时序疲劳等级和多元有序Logistic回归得到的时序疲劳度作为输出，使用长短期记忆神经网络(LSTM)对疲劳度进行预测。
进一步地，采集脑电信号的频率域为0.5-30Hz，采样频率为1000Hz，大于脑电信号最大频率(30Hz)的两倍，满足FFT的采集要求。
进一步地，步骤二中筛选与疲劳状态相关性>0.7、显著性水平0.01和ROC曲线AUG>0.75的脑电指标作为特征指标。
进一步地，步骤三中使用PAM聚类对调度员状态进行分类，具体如下：
对于采集到的脑电特征数据向量Xt，Xt＝(xt1,…,xtn)，其中t为时刻的序数，n为脑电指标的种类数。
对第k个类别的样本簇，有中心点μk。将各样本簇所有非中心点到中心点的距离总和作为目标函数
更换簇中中心点的对象，不断计算目标函数
的值，直到
的值不再减少，得到各样本点所属类别。
的表达式如式(4)。
其中，V(Xt,μk)函数表示样本点Xt和当前参考点μk之间的差异值，即两点间的欧氏距离，T为总时段数量，K为总类别数。
进一步地，对脑电特征指标进行聚类后，为了确定使得聚类效果最好的类别数K，对第k级数的第i个特征向量计算轮廓系数s(i)，如式(5)。
其中，a(i)为样本i到同簇其他样本的平均距离，称为簇内不相似度。b(i)为样本i到其他簇所有样本的平均距离，称为簇间不相似度。
使得所有n个特征向量平均s(i)最大的K即为脑电特征值的类别数。
进一步地，步骤三中多元有序Logistic回归具体如下：
在对调度员进行疲劳等级的基础上，进行多元有序Logistic回归分析，使用K个疲劳状态下的脑电特征指标数值和对应的疲劳状态类别训练和验证模型，计算调度实验中各个时段的疲劳度，得到连续分布的疲劳度，更准确的描述调度员疲劳状态。
有序多元Logsitic回归将k个类别划分为k-1个二元Logistic回归分析，研究各二分类因变量取某个值的概率，其第一种状态类别为1，第二种状态类别为0。对于给定的在第t个时段的脑电特征值指标和疲劳状态集合{Xt,Yt}，Xt＝(xt1,xt2,…,xtn)。其中Xt是t时段的脑电特征数据向量，n为特征指标数，Yt是t时段的疲劳状态，在t时刻的取值为疲劳度yt。
假设在提取的k个脑电特征指标xt1xt2,…,xtk的作用下，状态类别为1的概率是yt，状态类别为0的概率是1-yt。取1和0的概率比为
Logit变换即对该比值取对数如式(6)，使得λ可由几率对数函数表示：
参数λ为自变量Xit的线性组合，λ的表达式如式(7)
λ＝β0+β1xt1+…βnxtn (7)
其中β0,β2,…,βn是取值为常数的系数，令系数向量ω＝(β0,β2,…,βn)，ωT为ω的转置矩阵，则可将式(6)写为表达式(8)，
进行迭代分析，得出系数β0、β1……βn的取值，求解疲劳度yt作为时序分析模型的输出，yt的表达式如式(9)所示。
进一步地，步骤四中LSTM作为时序分析类神经网络包括：输入状态、输出状态、隐藏结构和循环结构。其中隐藏结构包括记忆状态Ct和隐藏状态At，隐藏结构和循环结构内节点计算方式如下。
t时刻的隐藏层At可表达为
At＝f(UXt+WAt-1+b) (10)
其中，At-1的值为t-1时刻的隐藏状态，Xt为t时段输入脑电特征指标的值，U为输入层Xt的权重矩阵，W为隐藏层At-1的权重矩阵，b为常数。
函数f为激活函数sigmoid函数，函数g为tanh函数，σ指代输入变量，表达式为
循环结构中的遗忘门f1(t)表达式为
f1(t)＝f(U1Xt+W1At-1+b1) (13)
输入门f2(t)由两部分构成的乘积构成，表达式为
f2(t)＝f(U21Xt+W21At-1+b21)⊙g(U22Xt+W22At-1+b22) (14)
其中，⊙为Hadamard积；U1、U21、U22、W1、W21、W22为权重矩阵，b1、b21、b22为常数。
遗忘门Ct由上一时段的记忆状态Ct-1和遗忘门f1(t)的乘积和输入门f2(t)的和组成，表达式为。
Ct＝Ct-1⊙f1(t)+f2(t) (15)
输出门Yt在t时段输出对未来一段时间预测的疲劳等级或疲劳度，由本时段的输入状态Xt、上一时段的隐藏状态At-1和记忆状态Ct的tanh激活函数得到乘积，表达式为。
Yt＝g(U3Xt+W3At-1+b3)⊙g(Ct) (16)
其中Yt为输出层，其取值为疲劳度的预测结果。与PAM-多元有序Logistic回归得到的疲劳对进行比对计算预测的准确度。
与现有技术相比，本发明的优点在于：
一、制定了基于生理状态聚类结果和被试工作时长相对照的客观疲劳分级方式。
二、指标选取方式结合高铁行车调度员工作特性，包括工作时间、工作内容等，具有针对性。
三、使用时序分析模型，考虑疲劳状态与过去时段疲劳度的关系，增加数据挖掘度.
四、离散的疲劳等级预测精度较低，对离散疲劳等级进行多元有序Logistic回归分析得到连续的疲劳度，提高了预测精度。
五、考虑到脑电信号本身的连续性和周期性，选取适合分析周期性信号的LSTM对脑电信号进行分析
六、脑电功率谱指标数据为高维数据，通过相关性、显著性和特异性检验筛选指标实现降维减少计算量大，提升LSTM的预测速度。
附图说明
图1是本发明实施例高铁行车调度员脑电采集实验流程图；
图2是本发明实施例脑电数据处理和特征指标筛选流程图；
图3是本发明实施例高铁行车调度员工作时段疲劳度分布图；其中(a)为疲劳等级分布，(b)为疲劳度分布；
图4是本发明实施例PAM聚类-多元有序Logistic回归流程图；
图5是本发明实施例长短期神经网络LSTM结构图；其中(a)为LSTM整体结构，(b)为LSTM隐藏结构和循环结构；
图6是本发明实施例疲劳度预测结果图；
图7是本发明实施例预测误差分析图。
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。
一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法，包括以下步骤：
步骤一：行车调度实验，如图1所示，选取20名取得高速铁路行车调度员岗位专业认证资格的铁路局男性调度员作为被试。年龄25～35岁，均值为30.5岁，标准差为1.8岁；所选被试睡眠质量良好，身体状况良好，无不良嗜好(吸烟、嗜酒等)，无色弱或色盲，视力或矫正视力为1.0。实验开始前确认被试当天未饮用酒精或者咖啡等刺激性饮品。且在熟知《知情同意书》的条件下自愿签字。
实验采用西南交通大学综合调度指挥仿真实验系统，模拟调度设备包括行车调度台和助理调度台共八个显示屏和操作设备(鼠标、键盘、电话)。被试使用的主调度台设置共4台显示器，2×2排布，上方的两个显示屏用于监控车站线路设备和列车运行状态，左下的显示屏用于查看和调整列车运行图，右下的显示屏用于发布调度命令。该模拟调度设备高度还原高铁调度员的工作环境，有效性通过了系统性测试，其仿真度可满足实验要求。
实验开始前一周对被试者进行培训，内容包括高速铁路调度指挥仿真试验系统的使用方法和注意事项，使得被试可以熟练的进行高铁调度工作。保证他们本周保持规律作息和充分休息，在保证充足睡眠的状态下进行脑电信号采集。
在实验开始前一天向被试人员分发实验任务书，进行一个小时的实验指导和半小时的模拟调度，确保被试者能独立完成试验任务。进行实验过程中允许正常的进食，不能进行休息或服用提神食物。
实验第一天，上午8：00-10：00进行两小时调度任务，记作清醒状态。实验第二天上午8：00至晚上20：00进行12h的调度作业。接着在20：00-22：00进行2h调度作业，记作疲劳状态。
进行64通道的脑电信号采集，记录能够覆盖大脑额叶区、顶区、枕区和中央区的Fpz、Fz、Cz、Cpz、Oz等62个通道的脑电信号和2个眼电信号通道。实验前半小时开始进行脑电帽的佩戴和调试，保证被试在进行调度实验时的脑电信号均被记录。
步骤二：脑电原始数据处理和特征指标筛选，流程如图2所示。对采集到的原始脑电特征信号选择M1、M2脑电通道重参考，进行通带宽度为0.5-30Hz滤波、去伪迹、去垂直眼电、肌电信号处理。
为了得到脑电信号在各频段上的分布用于脑电各频段能量的计算，需将幅值由时域分布转化为频域分布。本文使用快速傅里叶变换(FFT)计算功率谱，并进一步计算功率谱密度。
采集脑电信号的频率域为0.5-30Hz，采样频率为1000Hz，大于脑电信号最大频率(30Hz)的两倍，满足FFT的采集要求。
由于FFT的结果的对称性，截取以2s为分布域截取脑电信号波形，即前后两段脑电信号波形存在1s的重叠域。
对其中一段进行式(1)(2)所示的FFT，将脑电信号在时间上的幅值分布的f(n)，变换为在频域上的幅值分布f(k)
其中n为参与FFT的脑电信号样本量，N为大于等于n的最小的2幂值，j为常数。对2s的脑电信号段叠加汉明窗后进行FFT，得到固定时间窗的频域-幅值分布。
通过对固定时间窗的频域转换，得到全头62个通道的功率谱密度(PSD)在频域上的分布。各频段的功率的数值为对应频段的功率谱曲线所覆盖的面积，使用式(3)计算δ、θ、α、β频段功率谱密度
为从脑电功率谱中提取能够反应调度员疲劳状态的脑电特征指标，对各通道δ、θ、α、β频段的功率谱密度和其组合方程α/β、θ/β、(α+β)/β、(α+β)/θ和(θ+α)/(α+β)与调度员疲劳状态进行Pearson相关性、显著性t检验和灵敏度ROC曲线检验，筛选得到如表1所示的指标。
表1脑电特征指标
步骤三：PAM聚类—多元有序Logistic回归融合算法计算疲劳度，具体流程如图4所示。
单一的通过聚类算法对调度员疲劳状态进行分类，或通过二元回归算法进行疲劳概率计算，不能较好的反应调度员疲劳状态变化的连续性和复杂性。为了确定调度员疲劳度，本文通过PAM聚类算法，结合清醒状态和疲劳状态所属的主要类别，确定聚类结果对应的有序疲劳等级。在有序分级基础上进行多元有序Logistic回归，获得连续的疲劳度。
脑电数据作为生理信号，采集过程中可能出现误差较大的离群点。为避免离群点的影响，使用鲁棒性更好的PAM聚类对调度员状态进行分类。
(1)基于脑电特征数据的PAM聚类
对于采集到的脑电特征数据向量Xt，Xt＝(xt1,…,xtn)，其中t为时刻的序数，n为脑电指标的种类数。
对第k个类别的样本簇，有中心点μk。将各样本簇所有非中心点到中心点的距离总和作为目标函数
更换簇中中心点的对象，不断计算目标函数
的值，直到
的值不再减少，得到各样本点所属类别。
的表达式如式(4)。
其中，V(Xt,μk)函数表示样本点Xt和当前参考点μk之间的差异值，即两点间的欧氏距离，T为总时段数量，K为总类别数。
(2)聚类结果轮廓系数计算
对脑电特征指标进行聚类后，为了确定使得聚类效果最好的簇数K，对第k级数的第i个特征向量计算轮廓系数s(i)，如式(5)。
其中，a(i)为样本i到同簇其他样本的平均距离，称为簇内不相似度。b(i)为样本i到其他簇所有样本的平均距离，称为簇间不相似度。
使得所有n个特征向量平均s(i)最大的K即为脑电特征值的类别数。
(3)多元有序Logistic回归
在对调度员进行疲劳等级的基础上，进行多元有序Logistic回归分析，使用K个疲劳状态下的脑电特征指标数值和对应的疲劳状态类别训练和验证模型，计算调度实验中各个时段的疲劳度，得到连续分布的疲劳度，更准确的描述调度员疲劳状态。
有序多元Logsitic回归将k个类别划分为k-1个二元Logistic回归分析，研究各二分类因变量取某个值的概率，其第一种状态类别为1，第二种状态类别为0。对于给定的在第t个时段的脑电特征值指标和疲劳状态集合{Xt,Yt}，Xt＝(xt1,xt2,…,xtn)。其中Xt是t时段的脑电特征数据向量,n是特征指标数，Yt是t时段的疲劳状态，在t时刻的取值为疲劳度yt。
假设在提取的k个脑电特征指标xt1xt2,…,xtk的作用下，状态类别为1的概率是yt，状态类别为0的概率是1-yt。取1和0的概率比为
Logit变换即对该比值取对数如式(6)，使得λ可由几率对数函数表示：
参数λ为自变量Xt的线性组合，λ的表达式如式(7)
λ＝β0+β1xt1+…βnxtn (7)
其中β0,β2,…,βn是取值为常数的系数，令系数向量ω＝(β0,β2,…,βn)，ωT为ω的转置矩阵，则可将式(6)写为表达式(8)，
进行迭代分析，得出系数β0、β1……βn的取值，求解疲劳度yt作为时序分析模型的输出，yt的表达式如式(9)所示。
使用PAM聚类和PAM聚类—多元有序Logistic回归得到的被试工作时间的疲劳分布如图3。基于得到的疲劳度分布可知，在高铁行车调度员工作的12h中，大部分时间处于疲劳度较低的清醒状态，鲜有持续的高度疲劳状态。工作时间中，上午11：30-12：00、下午14：40-15：30、晚上20：00以后这三个时间段疲劳度明显增高。
步骤四，基于LSTM的调度员疲劳度预测
将脑电特征指标的时序数值作为输入，PAM分级得到的时序疲劳等级和多元有序Logistic回归得到的时序疲劳度作为输出，使用长短期记忆神经网络(LSTM)对疲劳度进行预测。
LSTM作为时序分析类神经网络包括：输入状态、输出状态、隐藏结构和循环结构。其中隐藏结构包括记忆状态Ct和隐藏状态At，如图5所示。隐藏结构和循环结构内节点计算方式如下。
t时刻的隐藏层At可表达为
At＝f(UXt+WAt-1+b) (10)
其中，At-1的值为t-1时刻的隐藏状态，Xt为t时段输入脑电特征指标的值，U为输入层Xt的权重矩阵，W为隐藏层At-1的权重矩阵，b为常数。
函数f为激活函数sigmoid函数，函数g为tanh函数，σ指代输入变量，表达式为
循环结构中的遗忘门f1(t)表达式为
f1(t)＝f(U1Xt+W1At-1+b1) (13)
输入门f2(t)由两部分构成的乘积构成，表达式为
f2(t)＝f(U21Xt+W21At-1+b21)⊙g(U22Xt+W22At-1+b22) (14)
其中，⊙为Hadamard积。U1、U21、U22、W1、W21、W22为权重矩阵，b1、b21、b22为常数。
遗忘门Ct由上一时段的记忆状态Ct-1和遗忘门f1(t)的乘积和输入门f2(t)的和组成，表达式为。
Ct＝Ct-1⊙f1(t)+f2(t) (15)
输出门Yt在t时段输出对未来一段时间预测的疲劳等级或疲劳度，由本时段的输入状态Xt、上一时段的隐藏状态At-1和记忆状态Ct的tanh激活函数得到乘积，表达式为。
Yt＝g(U3Xt+W3At-1+b3)⊙g(Ct) (16)
其中Yt为输出层，其取值为疲劳度的预测结果。本文以迭代后训练集的损失值Loss值均小于0.01作为训练完成的条件。对训练、预测集比例进行确定，选择训练时间占比90％—97％分别进行了预测。确定训练时间占比90％，即训练预测比为9：1。预测样本如图6所示，与PAM-多元有序Logistic回归得到的疲劳度对进行比对计算预测的准确度。使用PAM聚类等级和PAM-多元有序Logistic回归疲劳度的预测结果误差分析如图7所示。
根据预测结果和统计结果易得，调度员稳定清醒的时段，离散疲劳等级预测的准确性极高，预测绝对误差为0.0022～0.0137，相对误差为0.0219％～1.3667％。连续疲劳度预测的准确性较高，预测绝对误差为0.0033～0.1477，相对误差为0.3393％～13.5148％。
在调度员出现疲劳的时段，离散疲劳等级预测能较为准确的反映出调度员疲劳发展的趋势，但数值上的误差较大，预测绝对误差0.0452～0.4948，相对误差为1.7427％～48.1227％。而连续疲劳度预测结果的准确性较高，不但可以准确的反应调度员疲劳度的变化趋势，数值误差也仅为绝对误差0.0374～0.1671、相对误差2.5977％～18.1465％，相对误差均值为5.8896％。
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 (7)
1.一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法，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；
步骤二，为了得到脑电信号在各频段上的分布用于脑电各频段能量的计算，需将幅值由时域分布转化为频域分布；使用快速傅里叶变换(FFT)计算功率谱，并进一步计算功率谱密度；
截取以2s为分布域截取脑电信号波形，即前后两段脑电信号波形存在1s的重叠域；
对其中一段进行式(1)(2)所示的FFT，将脑电信号在时间上的幅值分布的f(n)，变换为在频域上的幅值分布f(k)
其中n为参与FFT的脑电信号样本数量，N为大于等于n的最小的2幂值，j为常数；对2s的脑电信号段叠加汉明窗后进行FFT，得到固定时间窗的频域-幅值分布；
通过对固定时间窗的频域转换，得到全头62个通道的功率谱密度(PSD)在频域上的分布；各频段的功率的数值为对应频段的功率谱曲线所覆盖的面积，使用式(3)计算δ、θ、α、β频段功率谱密度
为从脑电功率谱中提取能够反应调度员疲劳状态的脑电特征指标，对各通道δ、θ、α、β频段的功率谱密度和其组合方程α/β、θ/β、(α+β)/β、(α+β)/θ和(θ+α)/(α+β)与调度员疲劳状态进行Pearson相关性、显著性t检验和灵敏度ROC曲线检验；筛选与疲劳状态相关性、显著性水平和ROC曲线AUG的脑电指标作为特征指标
步骤三，PAM聚类-多元有序Logistic回归计算疲劳度；
通过PAM聚类算法，结合清醒状态和疲劳状态所属的主要类别，确定聚类结果对应的时序疲劳等级；在有序分级基础上进行多元有序Logistic回归，获得连续的时序疲劳度；
步骤四，基于LSTM的调度员疲劳度预测；
将脑电特征指标的时序数值作为输入，PAM分级得到的时序疲劳等级和多元有序Logistic回归得到的时序疲劳度作为输出，使用长短期记忆神经网络(LSTM)对疲劳度进行预测。
2.根据权利要求1所述的一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法，其特征在于：采集脑电信号的频率域为0.5-30Hz，采样频率为1000Hz，大于脑电信号最大频率30Hz的两倍，满足FFT的采集要求。
3.根据权利要求1所述的一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法，其特征在于：步骤二中筛选与疲劳状态相关性>0.7、显著性水平0.01和ROC曲线AUG>0.75的脑电指标作为特征指标。
4.根据权利要求1所述的一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法，其特征在于：步骤三中使用PAM聚类对调度员状态进行分类，具体如下：
对于采集到的脑电特征数据向量Xt，Xt＝(xt1，…，xtn)；其中t为时刻的序数，n为脑电指标的种类数；
对第k个类别的样本簇，有中心点μk；将各样本簇所有非中心点到中心点的距离总和作为目标函数
更换簇中中心点的对象，不断计算目标函数
的值，直到
的值不再减少，得到各样本点所属类别；
的表达式如式(4)；
其中，V(Xt，μk)函数表示样本点Xt和当前参考点μk之间的差异值，即两点间的欧氏距离，T为总时段数量，K为总类别数。
5.根据权利要求4所述的一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法，其特征在于：对脑电特征指标进行聚类后，为了确定使得聚类效果最好的簇数K，对第k级数的第i个特征向量计算轮廓系数s(i)，如式(5)；
其中，a(i)为样本i到同簇其他样本的平均距离，称为簇内不相似度；b(i)为样本i到其他簇所有样本的平均距离，称为簇间不相似度；
使得所有n个特征向量平均s(i)最大的K即为脑电特征值的类别数。
6.根据权利要求5所述的一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法，其特征在于：步骤三中多元有序Logistic回归具体如下：
在对调度员进行疲劳等级的基础上，进行多元有序Logistic回归分析，使用K个疲劳状态下的脑电特征指标数值和对应的疲劳状态类别训练和验证模型，计算调度实验中各个时段的疲劳度，得到连续分布的疲劳度，更准确的描述调度员疲劳状态；
有序多元Logsitic回归将k个类别划分为k-1个二元Logistic回归分析，研究各二分类因变量取某个值的概率，其第一种状态类别为1，第二种状态类别为0；；对于给定的在第t个时段的脑电特征值指标和疲劳状态集合{Xt，Yt}，Xt＝(xt1，xt2，…，xtn)；其中Xt是t时段的脑电特征数据向量，n为特征指标数，Yt是t时段的疲劳状态，在t时刻的取值为疲劳度yt；
假设在提取的k个脑电特征指标xt1xt2，…，xtk的作用下，状态类别为1的概率是yt，状态类别为0的概率是1-yt；取1和0的概率比为
Logit变换即对该比值取对数如式(6)，使得λ可由几率对数函数表示：
参数λ为自变量Xit的线性组合，λ的表达式如式(7)
λ＝β0+β1xt1+…βnxtn (7)
其中β0，β2，…，βn是取值为常数的系数，令系数向量ω＝(β0，β2，…，βn)，ωT为ω的转置矩阵，则可将式(6)写为表达式(8)，
进行迭代分析，得出系数β0、β1……βn的取值，求解疲劳度yt作为时序分析模型的输出，yt的表达式如式(9)所示；
7.根据权利要求6所述的一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法，其特征在于：步骤四中LSTM作为时序分析类神经网络包括：输入状态、输出状态、隐藏结构和循环结构；其中隐藏结构包括记忆状态Ct和隐藏状态At，隐藏结构和循环结构内节点计算方式如下；
t时刻的隐藏层At可表达为
At＝f(UXt+WAt-1+b) (10)
其中，At-1为t-1时刻的隐藏状态，Xt为t时段输入脑电特征指标的值，U为输入层Xt的权重矩阵，W为隐藏层At-1的权重矩阵，b为常数；
函数f为激活函数sigmoid函数，函数g为tanh函数，σ指代输入变量，表达为：
循环结构中的遗忘门f1(t)表达式为
f1(t)＝f(U1Xt+W1At-1+b1) (13)
输入门f2(t)由两部分构成的乘积构成，表达式为
f2(t)＝f(U21Xt+W21At-1+b21)⊙g(U22Xt+W22At-1+b22) (14)
其中，⊙为Hadamard积；U1、U21、U22、W1、W21、W22为权重矩阵，b1、b21、b22为常数；
遗忘门Ct由上一时段的记忆状态Ct-1和遗忘门f1(t)的乘积和输入门f2(t)的和组成，表达式为；
Ct＝Ct-1⊙f1(t)+f2(t) (15)
输出门Yt在t时段输出对未来一段时间预测的疲劳等级或疲劳度，由本时段的输入状态Xt、上一时段的隐藏状态At-1和记忆状态Ct的tanh激活函数得到乘积，表达式为；
Yt＝g(U3Xt+W3At-1+b3)⊙g(Ct) (16)
其中Yt为输出层，其取值为疲劳度的预测结果；与PAM-多元有序Logistic回归得到的疲劳对进行比对计算预测的准确度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111344932.4A CN114081491B (zh) | 2021-11-15 | 2021-11-15 | 基于脑电时序数据测定的高速铁路调度员疲劳预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111344932.4A CN114081491B (zh) | 2021-11-15 | 2021-11-15 | 基于脑电时序数据测定的高速铁路调度员疲劳预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114081491A true CN114081491A (zh) | 2022-02-25 |
| CN114081491B CN114081491B (zh) | 2023-04-25 |
Family
ID=80300536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111344932.4A Active CN114081491B (zh) | 2021-11-15 | 2021-11-15 | 基于脑电时序数据测定的高速铁路调度员疲劳预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114081491B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115486843A (zh) * | 2022-08-03 | 2022-12-20 | 中铁建电气化局集团第一工程有限公司 | 安全生产监控平台 |
| CN118592904A (zh) * | 2024-08-08 | 2024-09-06 | 良渚实验室 | 基于深度学习的睡眠自动分期方法和系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1538823A (zh) * | 2001-06-13 | 2004-10-20 | 用于监测意识的方法和设备 | |
| CN101352337A (zh) * | 2007-12-25 | 2009-01-28 | 天津大学 | 站起想象动作脑电的信号采集和特征提取方法 |
| CN102622600A (zh) * | 2012-02-02 | 2012-08-01 | 西南交通大学 | 基于面像与眼动分析的高速列车驾驶员警觉度检测方法 |
| CN102697494A (zh) * | 2012-06-14 | 2012-10-03 | 西南交通大学 | 高速列车驾驶员无线可穿戴脑电信号采集设备 |
| US20140336479A1 (en) * | 2013-05-07 | 2014-11-13 | Hideo Ando | Detection method of life activity, measuring device of life activity, transmission method of life activity detection signal, or service based on life activity information |
| CN104598993A (zh) * | 2015-01-14 | 2015-05-06 | 南京信息工程大学 | 基于眨眼次数的驾驶员疲劳驾驶预测方法 |
| US20160098592A1 (en) * | 2014-10-01 | 2016-04-07 | The Governing Council Of The University Of Toronto | System and method for detecting invisible human emotion |
| US20160324445A1 (en) * | 2015-05-07 | 2016-11-10 | Samsung Electronics Co., Ltd. | Method of providing information according to gait posture and electronic device for same |
| CN107095671A (zh) * | 2017-05-27 | 2017-08-29 | 西南交通大学 | 驾驶疲劳识别方法及系统 |
| CN107233103A (zh) * | 2017-05-27 | 2017-10-10 | 西南交通大学 | 高铁调度员疲劳状态测评方法及系统 |
| CN110772268A (zh) * | 2019-11-01 | 2020-02-11 | 哈尔滨理工大学 | 一种多模脑电信号及1dcnn迁移的驾驶疲劳状态识别方法 |
| WO2020151075A1 (zh) * | 2019-01-23 | 2020-07-30 | 五邑大学 | 一种基于cnn-lstm深度学习模型的驾驶疲劳识别方法 |
| CN113015984A (zh) * | 2018-01-08 | 2021-06-22 | 达莉娅·弗罗洛瓦 | 卷积神经网络中的错误校正 |
-
2021
- 2021-11-15 CN CN202111344932.4A patent/CN114081491B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1538823A (zh) * | 2001-06-13 | 2004-10-20 | 用于监测意识的方法和设备 | |
| CN101352337A (zh) * | 2007-12-25 | 2009-01-28 | 天津大学 | 站起想象动作脑电的信号采集和特征提取方法 |
| CN102622600A (zh) * | 2012-02-02 | 2012-08-01 | 西南交通大学 | 基于面像与眼动分析的高速列车驾驶员警觉度检测方法 |
| CN102697494A (zh) * | 2012-06-14 | 2012-10-03 | 西南交通大学 | 高速列车驾驶员无线可穿戴脑电信号采集设备 |
| US20140336479A1 (en) * | 2013-05-07 | 2014-11-13 | Hideo Ando | Detection method of life activity, measuring device of life activity, transmission method of life activity detection signal, or service based on life activity information |
| US20160098592A1 (en) * | 2014-10-01 | 2016-04-07 | The Governing Council Of The University Of Toronto | System and method for detecting invisible human emotion |
| CN104598993A (zh) * | 2015-01-14 | 2015-05-06 | 南京信息工程大学 | 基于眨眼次数的驾驶员疲劳驾驶预测方法 |
| US20160324445A1 (en) * | 2015-05-07 | 2016-11-10 | Samsung Electronics Co., Ltd. | Method of providing information according to gait posture and electronic device for same |
| CN107095671A (zh) * | 2017-05-27 | 2017-08-29 | 西南交通大学 | 驾驶疲劳识别方法及系统 |
| CN107233103A (zh) * | 2017-05-27 | 2017-10-10 | 西南交通大学 | 高铁调度员疲劳状态测评方法及系统 |
| CN113015984A (zh) * | 2018-01-08 | 2021-06-22 | 达莉娅·弗罗洛瓦 | 卷积神经网络中的错误校正 |
| WO2020151075A1 (zh) * | 2019-01-23 | 2020-07-30 | 五邑大学 | 一种基于cnn-lstm深度学习模型的驾驶疲劳识别方法 |
| CN110772268A (zh) * | 2019-11-01 | 2020-02-11 | 哈尔滨理工大学 | 一种多模脑电信号及1dcnn迁移的驾驶疲劳状态识别方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115486843A (zh) * | 2022-08-03 | 2022-12-20 | 中铁建电气化局集团第一工程有限公司 | 安全生产监控平台 |
| CN118592904A (zh) * | 2024-08-08 | 2024-09-06 | 良渚实验室 | 基于深度学习的睡眠自动分期方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114081491B (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2019424265B2 (en) | Fatigue Classiffication Method Based on Brain Function Network Constructed via Generalized Consistency and Relevant Vector Machine | |
| CN113627518B (zh) | 利用迁移学习实现神经网络脑电情感识别模型的方法 | |
| Geng et al. | Epileptic seizure detection based on stockwell transform and bidirectional long short-term memory | |
| Hussain | Detecting epileptic seizure with different feature extracting strategies using robust machine learning classification techniques by applying advance parameter optimization approach | |
| Acir et al. | Automatic detection of epileptiform events in EEG by a three-stage procedure based on artificial neural networks | |
| Jahankhani et al. | EEG signal classification using wavelet feature extraction and neural networks | |
| Alsaggaf et al. | Predicting fetal hypoxia using common spatial pattern and machine learning from cardiotocography signals | |
| Übeyli et al. | Features extracted by eigenvector methods for detecting variability of EEG signals | |
| CN112244873A (zh) | 一种基于混合神经网络的脑电时空特征学习与情感分类方法 | |
| CN114081491A (zh) | 基于脑电时序数据测定的高速铁路调度员疲劳预测方法 | |
| de Mooij et al. | Dynamics of sleep: Exploring critical transitions and early warning signals | |
| CN113040788B (zh) | 基于频谱分析的脑电信号质量的检测方法 | |
| Boonyakitanont et al. | Automatic epileptic seizure onset-offset detection based on CNN in scalp EEG | |
| Lopes et al. | Ensemble deep neural network for automatic classification of EEG independent components | |
| Godoy et al. | EEG-based epileptic seizure prediction using temporal multi-channel transformers | |
| Arya et al. | HRV and GSR as viable physiological markers for mental health recognition | |
| Roberts et al. | Automated assessment of vigilance using committees of radial basis function analysers | |
| Nasrolahzadeh et al. | A novel method for distinction heart rate variability during meditation using LSTM recurrent neural networks based on visibility graph | |
| Chougule et al. | Enabling safe ITS: EEG-based microsleep detection in VANETs | |
| CN215017693U (zh) | 基于频谱分析的脑电信号质量的检测装置及系统 | |
| CN113397482B (zh) | 一种人类行为分析方法及系统 | |
| Liszka-Hackzell et al. | Categorization and analysis of pain and activity in patients with low back pain using a neural network technique | |
| McGrogan et al. | Biosleep: a comprehensive sleep analysis system | |
| Choubey et al. | Classification and detection of epilepsy using reduced set of extracted features | |
| Shams et al. | Fuzzy model for detection and estimation of the degree of autism spectrum disorder |
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 |