一种基于多生理信号多模型交互的高铁调度员应激检测方法
【技术领域】
[0001] 本发明涉及基于脑电、心电及眼动的应激检测方法，尤其涉及一种基于多生理信 号多模型交互的高铁调度员应激检测方法。
【背景技术】
[0002] 多年来，经过对高速铁路新线的建设和对既有铁路的高速化改造，我国已经拥有 世界上最大规模以及最高运营速度的高速铁路网。高速列车运行速度高、密度大，一旦发生 事故，其结果将会是灾难性的，因此必须保证高速铁路运行的绝对安全。这要求调度员能 够实时掌握列车运行状况及各种行车设备状况，及时接收各类危及行车安全的信息，并做 出正确的判断与决策，从而有效地处置各种异常情况，保证列车运行安全和正常运输秩序。 但是由于人在应激状态下往往会做出错误判断与决策，所谓应激是指在出乎意料的紧迫与 危险情况下引起的高度紧张的情绪状态，因此调度员在应激状态做出的调度可能存在安全 隐患，基于这种情况，本发明涉及一种基于多生理信号多模型交互的高铁调度员应激检测 方法，通过此方法，可以有效检测出高铁调度员是否在应激状态下工作，从而有效避免调度 员在应激状态下做出错误判断和决策。
[0003]目前研究多是集中于一种生理信号，但由于现实工作中任务的复杂性，任何单一 的生理指标对应激反应的测量都是片面的，只有多种生理指标的综合运用才能准确检测出 应激反应。由于脑电信号能更直接、更客观的反应大脑本身的活动，有着良好的时间分辨 率，而且具有无法人为控制、无法伪造的优势，心电信号从宏观上记录心脏细胞的除极和复 极过程，在一定程度上客观反映了心脏各部位的生理状况，眼动信号与心理活动有着直接 或间接的关系，并且三种信号具有显著相关性，因此本发明基于脑电、心电、眼动三种信号 的交互具有高精准性和可靠性。
[0004] 针对脑电和心电信号的检测，已有专利涉及到一种融合脑电和心电信号的疲劳驾 驶检测方法CN201410366036. 1，针对检测汽车驾驶员疲劳驾驶情况。本发明检测调度员应 激状态，运用了 BP神经网络、SVM支持向量机、HMM马尔可夫三种模型和信息融合技术，具有 高效性和高识别率的优点。
【发明内容】
[0005] 本发明的目的是，针对我国高铁调度员应激状态检测的不足，发明一种基于多生 理信号多模型交互的高铁调度员应激检测方法。通过高铁调度员实时脑电数据采集装置收 集调度员应激状态下与非应激状态下的脑电数据，眼动仪采集调度员应激状态下与非应激 状态下的眼动数据，心电采集装置收集调度员应激状态下与非应激状态下的心电数据，进 行数据分析，筛选出脑电、心电、眼动指标，并分别用BP神经网络、SVM支持向量机、HMM马尔 可夫三种模型对特征指标进行进一步处理，对处理后的指标进行信息融合，得出其应激融 合特征。一种基于多生理信号多模型交互的高铁调度员应激检测方法，采用脑电信号收集 装置、心电采集装置，眼动采集装置联动获取相应生理信号进行信息采集后进行处理以对 被测高铁调度员的应激状态得出判断。
[0006] 本发明的目的是通过如下的手段实现的。
[0007] -种基于多生理信号多模型交互的高铁调度员应激检测方法，采用脑电信号收集 装置、心电采集装置，眼动采集装置联动获取相应生理信号进行信息采集后进行处理以对 被测高铁调度员的应激状态得出判断，包括以下主要步骤，
[0008] 1)特征选择
[0009] 脑电导联电极采用32导脑电采集系统，每个电极采集3种基础波，总共有96个特 征指标，从这96个特征指标用K-W检验法得到分类能力最强的前10个特征指标；分别用 K-W检验法从心电、眼动大量特征指标中得到分类能力最强的前10个特征指标。
[0010] 其中对于脑电特征指标选择如下：
[0011] 对于任意的一项参数将其在应激状态与非应激状态下得到的参数序列进行混 合，进行 Kruskal-Wallis 检验：
【主权项】
1. 一种基于多生理信号多模型交互的高铁调度员应激检测方法，采用脑电信号收集装 置、心电采集装置，眼动采集装置联动获取相应生理信号进行信息采集后进行处理以对被 测高铁调度员的应激状态得出判断，包括以下主要步骤， 1) 特征选择 脑电导联电极采用32导脑电采集系统，每个电极采集3种基础波，总共有96个特征指 标，从这96个特征指标用K-W检验法得到分类能力最强的前10个特征指标；分别用K-W检 验法从心电、眼动大量特征指标中得到分类能力最强的前10个特征指标； 其中对于脑电特征指标选择如下： 对于任意的一项参数将其在应激状态与非应激状态下得到的参数序列进行混合， 进行 Kruskal-Wallis 检验：
式中H为检验统计量，i为应激状态等级标量i = 1为非应激状态，i = 2为应激状态； Ri:表示第i类应激状态等级下，参数样本的平均秩;M为两类参数样本的总量； 由于H服从自由度为1的卡方分布，查表可得临界区域的概率p，p值代表了两种应激 状态条件下样本分布相同的概率，故P值越小代表该项参数在两类应激状态下的数据分布 差异越大，基于上述方法，对脑电参数逐一进行检验，从多项脑电参数中选出差异最为显著 的q项构成驾驶脑力负荷特征指标，并构成特征向量X = {Xl，x2, x3, . . . xq，}; 2) 模型训练 随机抽取75%的样本作为训练样本，25%的样本作为测试样本；分别对三种模型，即： BP神经网络模型，SVM支持向量机模型及HHM马尔可夫模型予以训练和测试； 通过模型训练分别找到合适的BP神经网络模型、SVM支持向量机模型、HHM马尔可夫模 型。根据训练好的BP神经网络模型、SVM支持向量机模型、HHM马尔可夫模型分别对脑电、 心电、眼动特征指标进行更好的分类，输出两种结果，并且规定非应激状态输出为0,应激状 态输出为1 ; 3) 信息融合 分别对2)获得的基于BP神经网络模型、SVM支持向量机模型、HHM马尔可夫模型三 种模型分析的脑电、心电、眼动识别结果进行信息融合，提取更好的脑电、心电、眼动识别结 果，再对脑电、心电、眼动识别结果进行融合，最终得到综合融合特征值；通过最终融合特征 识别结果可以快速有效的判断高铁调度员应激状态；信息融合采用加权平均法，将信息进 行加权平均，结果作为融合值。
2. 根据权利要求1所述之基于多生理信号多模型交互的高铁调度员应激检测方法，其 特征在于，所述信息融合阶段，采用预设阀值，当时综合融合特征值小于阀值非应激状态， 大于阀值判断应激状态。
【专利摘要】本发明涉及一种基于多生理信号多模型交互的高铁调度员应激检测方法，采用脑电信号收集装置、心电采集装置，眼动采集装置联动获取相应生理信号进行信息采集后进行处理以对被测高铁调度员的应激状态得出判断，经特征选择、模型训练和信息融合处理，对基于BP神经网络模型、SVM支持向量机模型、HHM马尔可夫模型三种模型分析的脑电、心电、眼动识别结果进行信息融合，提取更好的脑电、心电、眼动识别结果，再对脑电、心电、眼动识别结果进行融合，最终得到融合特征识别结果快速有效的判断高铁调度员的应激状态。
【IPC分类】A61B5-0402, A61B5-18, A61B5-0476, A61B3-113
【公开号】CN104665849
【申请号】CN201510075304
【发明人】郭孜政, 肖琼, 谭永刚, 刘玉增, 巴宇航, 宋炜, 杨露, 潘雨帆
【申请人】西南交通大学
【公开日】2015年6月3日
【申请日】2015年2月12日