本發(fā)明涉及應(yīng)激檢測(cè)技術(shù)，特別涉及一種持續(xù)性注意水平的敏感性特征指標(biāo)的選取方法。

背景技術(shù)：

與常規(guī)列車操作方式相比，在動(dòng)車中的采用了列車自動(dòng)控制系統(tǒng)(atc)，使得動(dòng)車司機(jī)的作業(yè)方式由傳統(tǒng)的列車操縱型轉(zhuǎn)變?yōu)閷?duì)動(dòng)車實(shí)時(shí)運(yùn)行控制信息、車輛狀態(tài)信息、運(yùn)行環(huán)境信息的高負(fù)荷、長(zhǎng)時(shí)間地持續(xù)監(jiān)控。因此，動(dòng)車司機(jī)的持續(xù)性注意水平成為影響司機(jī)作業(yè)可靠性的關(guān)鍵因素。選取高敏感于持續(xù)性注意水平的腦電特征參數(shù)，為動(dòng)車司機(jī)的持續(xù)性注意水平進(jìn)行測(cè)評(píng)及識(shí)別提供量化指標(biāo)，對(duì)于保障動(dòng)車運(yùn)行安全是十分必要與迫切的。

目前，國(guó)內(nèi)外就鐵路司機(jī)的研究主要針對(duì)于疲勞，而對(duì)持續(xù)性注意水平的研究則較為鮮見。在現(xiàn)有技術(shù)中，研究人員已經(jīng)采用人眼持續(xù)閉合時(shí)間比率(perclos)和人眼平均閉合速度(aecs)作為測(cè)評(píng)指標(biāo)對(duì)司機(jī)疲勞進(jìn)行研究，研究結(jié)果表明：持續(xù)閉合時(shí)間比率越大，人眼平均閉合速度越低，則司機(jī)的疲勞程度越大，并在此基礎(chǔ)上開發(fā)了司機(jī)疲勞監(jiān)測(cè)系統(tǒng)。研究人員還基于類似的3項(xiàng)眼動(dòng)指標(biāo)，提出一種基于貝葉斯網(wǎng)絡(luò)信息融合的機(jī)車司機(jī)駕駛疲勞監(jiān)測(cè)系統(tǒng)。研究人員還用機(jī)車司機(jī)駕駛狀態(tài)監(jiān)測(cè)視頻文件，通過對(duì)機(jī)車司機(jī)的姿態(tài)(規(guī)定手勢(shì)的完成狀態(tài))來判定司機(jī)的疲勞水平。研究人員還利用腦電信號(hào)(eeg)和心電信號(hào)(eog)研究了司機(jī)睡眠剝奪與持續(xù)性注意間的關(guān)系，結(jié)果表明：睡眠時(shí)間的減少，疲勞程度的增加，將導(dǎo)致司機(jī)持續(xù)性注意的大幅下。研究人員的研究也再次證明了腦電信號(hào)作為直接反應(yīng)大腦活動(dòng)的神經(jīng)生理信號(hào)，與司機(jī)的當(dāng)前精神狀態(tài)具有高度相關(guān)性，當(dāng)大腦處于較高喚醒水平時(shí)，腦電信息熵越大，相反當(dāng)大腦處于較低喚醒水平時(shí)，腦電信息熵越小。

腦電信號(hào)作為一種神經(jīng)電信號(hào)與大腦活動(dòng)狀態(tài)相關(guān)，能夠有效反映駕駛員精神狀態(tài)。因此，亟待研究和提出一種持續(xù)性注意水平的敏感性特征指標(biāo)的選取方法，從而為動(dòng)車司機(jī)持續(xù)性注意水平的量化測(cè)評(píng)及后期持續(xù)性注意水平識(shí)別模型構(gòu)建提供依據(jù)。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明提供一種持續(xù)性注意水平的敏感性特征指標(biāo)的選取方法，從而實(shí)現(xiàn)了敏感于動(dòng)車司機(jī)的持續(xù)性注意水平腦電特征指標(biāo)的選取。

本發(fā)明的技術(shù)方案具體是這樣實(shí)現(xiàn)的：

一種持續(xù)性注意水平的敏感性特征指標(biāo)的選取方法，該方法包括：

通過多個(gè)電極采集腦電信號(hào)，記錄與所述腦電信號(hào)對(duì)應(yīng)的反應(yīng)時(shí)間參數(shù)，并采集主觀疲勞測(cè)評(píng)數(shù)據(jù)和行為績(jī)效測(cè)評(píng)數(shù)據(jù)；

根據(jù)采集到的腦電信號(hào)計(jì)算得到腦電熵值參數(shù)；

根據(jù)所述腦電熵值參數(shù)，采用kruskal-wallis檢驗(yàn)方法與relief算法，分別選取敏感于不同持續(xù)性注意水平的指標(biāo)集合；

將得到的兩個(gè)指標(biāo)集合的交集g作為持續(xù)性注意水平的敏感性特征指標(biāo)。

較佳的，所述根據(jù)采集到的腦電信號(hào)計(jì)算得到腦電熵值參數(shù)包括：

將采集到的腦電信號(hào)劃分成多個(gè)時(shí)間長(zhǎng)度為k分鐘的分析單元，對(duì)每個(gè)分析單元的腦電信號(hào)以0～35hz的帶寬進(jìn)行整體濾波處理；

對(duì)每個(gè)分析單元的腦電信號(hào)，以預(yù)設(shè)步長(zhǎng)為時(shí)間窗從左到右逐段滑動(dòng)，并以預(yù)設(shè)的時(shí)間窗重疊率將一個(gè)分析單元的腦電信號(hào)分割成多個(gè)時(shí)間窗信號(hào)；

將每一個(gè)時(shí)間窗信號(hào)內(nèi)乘于等長(zhǎng)度的漢明窗，得到中間變量f[n]；

對(duì)f[n]進(jìn)行快速傅里葉變換，得到腦電信號(hào)在頻域的幅值分布f(k)；

從幅值分布f(k)中分別提取預(yù)設(shè)頻段的平均幅值；對(duì)于每一個(gè)分析單元的腦電信號(hào)，當(dāng)時(shí)間窗從前至后逐段滑動(dòng)時(shí)，得各個(gè)預(yù)設(shè)頻段各自的幅值序列；

對(duì)于各頻段的幅值序列，去除正負(fù)3倍標(biāo)準(zhǔn)差外的異常數(shù)據(jù)后，得到長(zhǎng)度都為l的各頻段幅值序列集合；

根據(jù)各頻段的幅值序列集合，計(jì)算得到各頻段的樣本熵、近似熵和香農(nóng)熵，作為分析單元的腦電信號(hào)的腦電熵值參數(shù)。

較佳的，所述k的值為1；所述預(yù)設(shè)步長(zhǎng)為2秒；所述時(shí)間窗重疊率為50％。

較佳的，所述幅值分布f(k)為：

其中，wn＝cos(2π/n)-jsin(2π/n)。

較佳的，所述預(yù)設(shè)頻段為θ、α和β頻段；

所述θ頻段為4～8hz，α頻段為8～13hz，β頻段為13～30hz。

較佳的，所述根據(jù)各頻段的幅值序列集合，計(jì)算得到各頻段的樣本熵、近似熵和香農(nóng)熵包括：

步驟31，對(duì)于每一個(gè)頻段，將該頻段的幅值序列由一維向量構(gòu)造成m維向量ym(i)；

步驟32，計(jì)算任意兩向量對(duì)應(yīng)元素之間的絕對(duì)差d，將其中最大的絕對(duì)差dmax作為兩向量間的距離；

步驟33，根據(jù)預(yù)設(shè)閾值r，對(duì)每個(gè)向量ym(i)統(tǒng)計(jì)dmax≤r×sd的數(shù)目，并計(jì)算得到該數(shù)目與距離總數(shù)(l-m+1)的比值其中，sd為幅值序列的標(biāo)準(zhǔn)差；

步驟34，將取對(duì)數(shù)，根據(jù)如下的公式計(jì)算得到其均值b^m(r)：

步驟35，將該頻段的幅值序列由原來的一維向量構(gòu)造成m+1維向量，根據(jù)上述步驟31～35得到b^m+1(r)；

步驟36，將b^m(r)和b^m+1(r)代入如下的公式中，計(jì)算得到該頻段的樣本熵sampen和近似熵apen：

sampen(m,r)＝-ln[b^m(r)/b^m+1(r)]；

apen(m,r)＝b^m(r)-b^m+1(r)；

步驟37，對(duì)原有幅值序列按升序排列，其中每個(gè)元素所出現(xiàn)的概率分布為{p1,p2,...,pj}，代入如下的公式中，得到該頻段的香農(nóng)熵h(p)：

步驟38，對(duì)各個(gè)頻段均按照上述步驟31～37得到各個(gè)頻段的樣本熵、近似熵與香農(nóng)熵，將所得到的樣本熵、近似熵和香農(nóng)熵作為分析單元的腦電信號(hào)的腦電熵值參數(shù)。

較佳的，所述采用kruskal-wallis檢驗(yàn)方法選取敏感于不同持續(xù)性注意水平的指標(biāo)集合包括：

將所述腦電熵值參數(shù)組成樣本組集合其中表示第k組樣本中第t個(gè)參數(shù)，將樣本組集合中的各樣本組進(jìn)行混合并按升序排列；

求取各變量的秩，構(gòu)造統(tǒng)計(jì)量h：

其中，n為樣本組數(shù)；q為參數(shù)樣本的總量；rk為第k組的樣本中的秩總和；nk為第k組的樣本量；

在給定的顯著性水平α下，計(jì)算統(tǒng)計(jì)量h的p值；若p＞α，則接受原假設(shè)，表明各組腦電熵值參數(shù)樣本無顯著差異；若p＜α，則拒絕原假設(shè)，表明各組腦電熵值參數(shù)樣本之間存在顯著差異；

選取差異性最為顯著的h項(xiàng)腦電熵值參數(shù)作為持續(xù)性注意水平敏感性指標(biāo)，即指標(biāo)集合z＝{z1,z2,...,zh}。

較佳的，所述采用relief算法選取敏感于不同持續(xù)性注意水平的指標(biāo)集合包括：

將所述腦電熵值參數(shù)組成樣本集合其中任意兩個(gè)樣本xi與xj在腦電熵值參數(shù)r(1≤r≤9q)上的差為：

其中，xmax與xmin為腦電熵值參數(shù)r(1≤r≤9q)在樣本集合x中的最大值與最小值；

從所述樣本集合x中隨機(jī)抽取一個(gè)樣本xk，對(duì)與xk同類及異類的樣本，均根據(jù)d值按升序排序，并分別選取前z個(gè)樣本，用m(k)表示與xk同類的z個(gè)樣本組成的集合，用m(c)表示與xk異類且屬于c類的z個(gè)樣本組成的集合；

使用如下的公式更新腦電熵值參數(shù)r的權(quán)重wr：

其中，wr(i)表示第i(1＜i≤n)次迭代腦電熵值參數(shù)r的權(quán)重；p(·)為所屬類型的樣本個(gè)數(shù)在樣本總數(shù)所占的比率；n為迭代次數(shù)；

經(jīng)過n次迭代之后，求取各個(gè)腦電熵值參數(shù)相應(yīng)權(quán)重的均值，選取其中權(quán)重最大的h項(xiàng)腦電熵值參數(shù)作為持續(xù)性注意水平敏感性指標(biāo)，即指標(biāo)集合z'＝{z1',z'2,...,z'h}。

如上可見，在本發(fā)明中的持續(xù)性注意水平的敏感性特征指標(biāo)的選取方法中，由于先通過多個(gè)電極采集腦電信號(hào)，記錄與所述腦電信號(hào)對(duì)應(yīng)的反應(yīng)時(shí)間參數(shù)，并采集主觀疲勞測(cè)評(píng)數(shù)據(jù)和行為績(jī)效測(cè)評(píng)數(shù)據(jù)；根據(jù)采集到的腦電信號(hào)計(jì)算得到腦電熵值參數(shù)，然后采用kruskal-wallis檢驗(yàn)方法與relief算法，分別選取敏感于不同持續(xù)性注意水平的指標(biāo)集合，最終持續(xù)性注意水平的敏感性特征指標(biāo)，從而實(shí)現(xiàn)了敏感于動(dòng)車司機(jī)的持續(xù)性注意水平腦電特征指標(biāo)的選取，為動(dòng)車司機(jī)持續(xù)性注意水平的量化測(cè)評(píng)及后期持續(xù)性注意水平識(shí)別模型構(gòu)建提供了依據(jù)。

附圖說明

圖1為本發(fā)明實(shí)施例中的持續(xù)性注意水平的敏感性特征指標(biāo)的選取方法的流程示意圖。

圖2為本發(fā)明實(shí)施例中的腦電熵值參數(shù)的示意圖。

圖3為本發(fā)明實(shí)施例中的主觀行為與績(jī)效得分的示意圖。

圖4為本發(fā)明實(shí)施例中p值分布腦地形圖和前10項(xiàng)敏感性指標(biāo)示意圖。

圖5為本發(fā)明實(shí)施例中電極位置分布圖和前10項(xiàng)敏感性指標(biāo)的示意圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下參照附圖并舉實(shí)施例，對(duì)本發(fā)明進(jìn)一步詳細(xì)說明。

本實(shí)施例提供了一種持續(xù)性注意水平的敏感性特征指標(biāo)的選取方法。

圖1為本發(fā)明實(shí)施例中的持續(xù)性注意水平的敏感性特征指標(biāo)的選取方法的流程示意圖。如圖1所示，本發(fā)明實(shí)施例中的持續(xù)性注意水平的敏感性特征指標(biāo)的選取方法主要包括如下所述的步驟：

步驟11，通過多個(gè)電極采集腦電信號(hào)，記錄與所述腦電信號(hào)對(duì)應(yīng)的反應(yīng)時(shí)間參數(shù)，并采集主觀疲勞測(cè)評(píng)數(shù)據(jù)和行為績(jī)效測(cè)評(píng)數(shù)據(jù)。

在本發(fā)明的技術(shù)方案中，為了測(cè)試駕駛員對(duì)突發(fā)時(shí)間的簡(jiǎn)單反應(yīng)時(shí)間，需要對(duì)被測(cè)試人員(例如，志愿者)進(jìn)行相應(yīng)的測(cè)試，從而獲得相應(yīng)的腦電信號(hào)、與腦電信號(hào)對(duì)應(yīng)的反應(yīng)時(shí)間參數(shù)以及主觀疲勞及行為績(jī)效測(cè)評(píng)數(shù)據(jù)。

例如，較佳的，在本發(fā)明的較佳實(shí)施例中，可以先召集多個(gè)被測(cè)試人員，例如，在本發(fā)明的一個(gè)具體實(shí)驗(yàn)中，選取了22名中國(guó)鐵路總公司93、94期動(dòng)車司機(jī)班學(xué)員(年齡為36±2歲，駕齡為6年以上，累積安全里程大于10萬公里)作為被測(cè)試人員。所選被測(cè)試人員無任何精神或心理疾病史，且視力或矯正視力正常，實(shí)驗(yàn)前24h禁止被測(cè)試人員飲用含有酒精或咖啡因的功能性飲料。

在本發(fā)明的一個(gè)具體實(shí)驗(yàn)中，采用crh1e動(dòng)車模擬器，該模擬器采用單通道大屏前向視景系統(tǒng)，其屏幕分辨率為2048×768pix。模擬器聲音環(huán)境由7.1的數(shù)字音頻發(fā)生系構(gòu)成，該系統(tǒng)可高保真模擬仿真動(dòng)車運(yùn)行時(shí)的背景音環(huán)境。機(jī)車操作臺(tái)包括atp和pis系統(tǒng)、列車運(yùn)行控制監(jiān)視裝置(lkj2000)、cir無線電通訊和后視視頻攝像系統(tǒng)以及帶按鈕，開關(guān)和指示燈的控制面板。

實(shí)驗(yàn)線路選取北京南至上海虹橋高鐵線路，線路全長(zhǎng)為1463km，最高限速為220km/h，要求司機(jī)以低于限速5km/h的速度(標(biāo)準(zhǔn)速度)保持動(dòng)車運(yùn)行。

對(duì)隨機(jī)探測(cè)信號(hào)的反應(yīng)時(shí)間是衡量持續(xù)性注意水平的有效指標(biāo)，為實(shí)時(shí)探測(cè)連續(xù)駕駛作業(yè)中司機(jī)的持續(xù)性注意水平，實(shí)驗(yàn)采用在前方呈現(xiàn)隨機(jī)紅點(diǎn)的方式來模擬列車運(yùn)行中隨機(jī)事件的發(fā)生。刺激紅點(diǎn)在5個(gè)可能位置按照隨機(jī)時(shí)間間隔(例如，240±10s)出現(xiàn)。要求被測(cè)試人員在紅點(diǎn)出現(xiàn)后立即點(diǎn)擊反應(yīng)鍵，系統(tǒng)自動(dòng)記錄被測(cè)試人員反應(yīng)時(shí)間。整個(gè)實(shí)驗(yàn)持續(xù)4小時(shí)，全程無休息。

為保證在實(shí)驗(yàn)開始前被測(cè)試人員具有較高的持續(xù)性注意水平，實(shí)驗(yàn)均安排在早上8:00進(jìn)行。為了消除練習(xí)效應(yīng)的影響，實(shí)驗(yàn)開始前預(yù)先進(jìn)行15min的模擬駕駛練習(xí)，然后開始4小時(shí)的正式實(shí)驗(yàn)。在實(shí)驗(yàn)進(jìn)行至46min及實(shí)驗(yàn)結(jié)束后，要求司機(jī)填寫kss(karolinskasleepinessscale)量表，即采用kss量表對(duì)被測(cè)試人員的疲勞程度進(jìn)行測(cè)量，得到主觀疲勞測(cè)評(píng)數(shù)據(jù)。

較佳的，在本發(fā)明的具體實(shí)施例中，所述kss量表為9分量表，用于評(píng)估司機(jī)的疲勞狀態(tài)：1-極度清醒；2-非常清醒；3-清醒；4-有些清醒；5-既不清醒也不困倦；6-開始出現(xiàn)困倦的征兆；7-困倦，容易控制；8-困倦，困難但可以控制；9-昏昏欲睡，無法控制。主觀疲勞量表可以分別于第46min及實(shí)驗(yàn)結(jié)束后測(cè)試2次。

較佳的，在本發(fā)明的具體實(shí)施例中，所述駕駛行為的行為績(jī)效測(cè)評(píng)數(shù)據(jù)包括：當(dāng)前限速與列車當(dāng)前運(yùn)行速度(采樣頻率10hz)，以及對(duì)隨機(jī)探測(cè)事件(紅點(diǎn))的反應(yīng)時(shí)間及正確率。

較佳的，在本發(fā)明的具體實(shí)施例中，腦電信號(hào)(eeg)可以由32導(dǎo)腦電儀連續(xù)采集，采用10～20導(dǎo)聯(lián)頭皮電極系統(tǒng)，記錄水平與垂直眼電。選取fcz電極作為參考電極，腦電采樣率設(shè)置為1000hz，采集頻率帶寬設(shè)置為0.5-100hz，保持所有電極阻抗小于5kω。

另外，在本發(fā)明的技術(shù)方案中，還可以對(duì)持續(xù)性注意水平進(jìn)行劃分。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，可以選取上述實(shí)驗(yàn)中前后兩個(gè)時(shí)間段作為高、低持續(xù)性注意水平的劃分。該劃分方式是人因工程學(xué)中的常用方法，在此不再贅述。在本發(fā)明的技術(shù)方案中，還可采用選取前后不同時(shí)段的行為指標(biāo)與主觀疲勞測(cè)評(píng)對(duì)駕駛持續(xù)性注意水平進(jìn)行差異性驗(yàn)證。因此，在本發(fā)明的較佳實(shí)施例中，可以在上述實(shí)驗(yàn)中選取16-46min，210-240min兩個(gè)時(shí)間段來對(duì)應(yīng)動(dòng)車司機(jī)不同的持續(xù)性注意水平。對(duì)隨機(jī)探測(cè)信號(hào)的反應(yīng)時(shí)間是衡量持續(xù)性注意水平的有效指標(biāo)，因此，本發(fā)明可以通過上述前后兩個(gè)時(shí)段司機(jī)對(duì)隨機(jī)信號(hào)的反應(yīng)時(shí)間的差異性對(duì)比分析，來驗(yàn)證該持續(xù)性注意水平劃分的合理性。

步驟12，根據(jù)采集到的腦電信號(hào)計(jì)算得到腦電熵值參數(shù)。

在本發(fā)明的技術(shù)方案中，可以使用多種方式根據(jù)采集到的腦電信號(hào)計(jì)算得到腦電熵值參數(shù)。以下將以其中的一種具體實(shí)現(xiàn)方式為例，對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)的介紹。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述根據(jù)采集到的腦電信號(hào)計(jì)算得到腦電熵值參數(shù)包括：

步驟121，將采集到的腦電信號(hào)劃分成多個(gè)時(shí)間長(zhǎng)度為k分鐘的分析單元，對(duì)每個(gè)分析單元的腦電信號(hào)以0～35hz的帶寬進(jìn)行整體濾波處理，以去除工頻電及部分肌電等偽跡干擾。

例如，如果采集到的腦電信號(hào)時(shí)間長(zhǎng)度(簡(jiǎn)稱時(shí)長(zhǎng))為(m*k)分鐘，則可以將該采集到的腦電信號(hào)劃分成m個(gè)分析單元，每個(gè)分析單元的腦電信號(hào)的時(shí)長(zhǎng)為k分鐘。

在本發(fā)明的技術(shù)方案中，所述k的取值可以根據(jù)實(shí)際應(yīng)用情況的需要而預(yù)先設(shè)置。例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述k的值為1。

步驟122，對(duì)每個(gè)分析單元的腦電信號(hào)，以預(yù)設(shè)步長(zhǎng)為時(shí)間窗從左到右逐段滑動(dòng)，并以預(yù)設(shè)的時(shí)間窗重疊率將一個(gè)分析單元的腦電信號(hào)分割成多個(gè)時(shí)間窗信號(hào)。

在本發(fā)明的技術(shù)方案中，所述預(yù)設(shè)步長(zhǎng)的取值可以根據(jù)實(shí)際應(yīng)用情況的需要而預(yù)先設(shè)置。例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述預(yù)設(shè)步長(zhǎng)為2秒。

在本發(fā)明的技術(shù)方案中，所述時(shí)間窗重疊率的取值也可以根據(jù)實(shí)際應(yīng)用情況的需要而預(yù)先設(shè)置。例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述時(shí)間窗重疊率為50％。

因此，例如，當(dāng)分析單元的時(shí)長(zhǎng)為1分鐘、預(yù)設(shè)步長(zhǎng)為2000毫秒、時(shí)間窗重疊率為50％時(shí)，則可以將一個(gè)分析單元的腦電信號(hào)分割成60個(gè)時(shí)間窗信號(hào)，每個(gè)時(shí)間窗信號(hào)的腦電信號(hào)的時(shí)長(zhǎng)為2000毫秒，且各個(gè)時(shí)間窗信號(hào)之間的重疊率為50％。

步驟123，將每一個(gè)時(shí)間窗信號(hào)內(nèi)乘于等長(zhǎng)度的漢明窗，得到中間變量f[n]。

在本發(fā)明的技術(shù)方案中，為了消除旁瓣效應(yīng)對(duì)快速傅里葉變換(fft)的影響，可以將每一個(gè)時(shí)間窗信號(hào)都內(nèi)乘于等長(zhǎng)度的漢明窗，得到中間變量f[n]。

步驟124，對(duì)f[n]進(jìn)行快速傅里葉變換，得到腦電信號(hào)在頻域的幅值分布f(k)。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述幅值分布f(k)為：

式中，wn＝cos(2π/n)-jsin(2π/n)。

步驟125，從幅值分布f(k)中分別提取預(yù)設(shè)頻段的平均幅值；對(duì)于每一個(gè)分析單元的腦電信號(hào)，當(dāng)時(shí)間窗從前至后逐段滑動(dòng)時(shí)，得各個(gè)預(yù)設(shè)頻段各自的幅值序列。

在本發(fā)明的技術(shù)方案中，所述預(yù)設(shè)頻段的取值可以根據(jù)實(shí)際應(yīng)用情況的需要而預(yù)先設(shè)置。例如，較佳的，在本發(fā)明的具體實(shí)施例中，所述預(yù)設(shè)頻段為θ、α和β頻段；所述θ頻段為4～8hz，α頻段為8～13hz，β頻段為13～30hz。

因此，例如，在本發(fā)明的較佳實(shí)施例中，當(dāng)一個(gè)分析單元的腦電信號(hào)為時(shí)長(zhǎng)為1分鐘的腦電信號(hào)、各個(gè)時(shí)間窗信號(hào)之間的重疊率為50％時(shí)，可以得到上述θ、α和β等3個(gè)頻段各自的幅值序列。

步驟126，對(duì)于各頻段的幅值序列，去除正負(fù)3倍標(biāo)準(zhǔn)差外的異常數(shù)據(jù)后，得到長(zhǎng)度都為l的各頻段(例如，θ、α和β頻段)幅值序列集合(例如，θ、α和β頻段的幅值序列集合{uθ(j),uα(j),uβ(j)；1≤j≤l})。

步驟127，根據(jù)各頻段的幅值序列集合，計(jì)算得到各頻段的樣本熵、近似熵和香農(nóng)熵，作為分析單元的腦電信號(hào)的腦電熵值參數(shù)。

在本發(fā)明的技術(shù)方案中，可以先根據(jù)上述各頻段的幅值序列集合，計(jì)算得到各頻段的樣本熵、近似熵和香農(nóng)熵，然后再將所述樣本熵、近似熵和香農(nóng)熵作為分析單元的腦電信號(hào)的腦電熵值參數(shù)。

較佳的，在本發(fā)明的具體實(shí)施例中，所述根據(jù)各頻段的幅值序列集合，計(jì)算得到各頻段的樣本熵、近似熵和香農(nóng)熵包括：

步驟31，對(duì)于每一個(gè)頻段，將該頻段的幅值序列由一維向量構(gòu)造成m維向量ym(i)；

例如，在本發(fā)明的較佳實(shí)施例中，當(dāng)當(dāng)前頻段為θ頻段時(shí)，可以通過如下所述的公式將該頻段的幅值序列由一維向量構(gòu)造成m維向量：

ym(i)＝[uθ(i),uθ(i+1),...,uθ(i+m-1)](2)

其中，{uθ(j),1≤j≤l}為θ頻段的幅值序列集合，l為θ頻段的幅值序列集合的長(zhǎng)度，ym(i)為m維向量，i＝1,2,...,l-m。

其中，m維向量ym(1),ym(2),...,ym(l-m)，代表著從第i個(gè)點(diǎn)開始連續(xù)的m個(gè)uθ值。

對(duì)于其它頻段的幅值序列，可以以此類推，在此不再贅述。

步驟32，計(jì)算任意兩向量對(duì)應(yīng)元素之間的絕對(duì)差d，將其中最大的絕對(duì)差dmax作為兩向量間的距離。

步驟33，根據(jù)預(yù)設(shè)閾值r，對(duì)每個(gè)向量ym(i)統(tǒng)計(jì)dmax≤r×sd的數(shù)目，并計(jì)算得到該數(shù)目與距離總數(shù)(l-m+1)的比值其中，sd為幅值序列的標(biāo)準(zhǔn)差。

步驟34，將取對(duì)數(shù)，根據(jù)如下所述的公式計(jì)算得到其均值b^m(r)：

步驟35，將該頻段的幅值序列由原來的一維向量構(gòu)造成m+1維向量，根據(jù)上述步驟31～35得到b^m+1(r)。

步驟36，將b^m(r)和b^m+1(r)代入如下所述的公式中，計(jì)算得到該頻段的樣本熵sampen和近似熵apen：

sampen(m,r)＝-ln[b^m(r)/b^m+1(r)](4)

apen(m,r)＝b^m(r)-b^m+1(r)(5)

步驟37，對(duì)原有幅值序列按升序排列，其中每個(gè)元素所出現(xiàn)的概率分布為{p1,p2,...,pj}，代入如下所述的公式中，得到該頻段的香農(nóng)熵h(p)：

步驟38，同理，對(duì)各個(gè)頻段均按照上述步驟31～37得到各個(gè)頻段的樣本熵、近似熵與香農(nóng)熵，將所得到的樣本熵、近似熵和香農(nóng)熵作為分析單元的腦電信號(hào)的腦電熵值參數(shù)。

通過上述的步驟31～38，即可得到分析單元的腦電信號(hào)的腦電熵值參數(shù)。

對(duì)于每個(gè)分析單元，都可以通過如上所述的步驟121～127，得到各個(gè)分析單元的腦電信號(hào)的腦電熵值參數(shù)。

例如，在本發(fā)明的較佳實(shí)施例中，對(duì)于通過q個(gè)電極采集到的腦電信號(hào)，通過上述的步驟121～127，最終可得到9q項(xiàng)腦電熵值參數(shù)(即持續(xù)性注意熵值參數(shù))，記為xi(i＝1,2,...,9q)，如圖2所示。

步驟13，根據(jù)所述腦電熵值參數(shù)，采用kruskal-wallis檢驗(yàn)方法與relief算法，分別選取敏感于不同持續(xù)性注意水平的指標(biāo)集合。

在本發(fā)明的技術(shù)方案中，所述kruskal-wallis檢驗(yàn)方法與relief算法為現(xiàn)有技術(shù)中的常用方法。

具體來說，在本發(fā)明的較佳實(shí)施例中，采用kruskal-wallis檢驗(yàn)方法選取敏感于不同持續(xù)性注意水平的指標(biāo)集合包括：

將所述腦電熵值參數(shù)組成樣本組集合其中表示第k組樣本中第t個(gè)參數(shù)，將樣本組集合中的各樣本組進(jìn)行混合并按升序排列；

求取各變量的秩，構(gòu)造統(tǒng)計(jì)量h：

其中，n為樣本組數(shù)；q為參數(shù)樣本的總量；rk為第k組的樣本中的秩總和；nk為第k組的樣本量；

在給定的顯著性水平α下，計(jì)算統(tǒng)計(jì)量h的p值；若p＞α，則接受原假設(shè)，表明各組腦電熵值參數(shù)樣本無顯著差異；若p＜α，則拒絕原假設(shè)，表明各組腦電熵值參數(shù)樣本之間存在顯著差異；

經(jīng)過上述計(jì)算之后，即可選取差異性最為顯著的h項(xiàng)腦電熵值參數(shù)作為持續(xù)性注意水平敏感性指標(biāo)，即指標(biāo)集合z＝{z1,z2,...,zh}。

具體來說，在本發(fā)明的較佳實(shí)施例中，采用relief算法選取敏感于不同持續(xù)性注意水平的指標(biāo)集合包括：

將所述腦電熵值參數(shù)組成樣本集合其中任意兩個(gè)樣本xi與xj在腦電熵值參數(shù)r(1≤r≤9q)上的差為：

其中，xmax與xmin為腦電熵值參數(shù)r(1≤r≤9q)在樣本集合x中的最大值與最小值；

從所述樣本集合x中隨機(jī)抽取一個(gè)樣本xk，對(duì)與xk同類及異類的樣本，均根據(jù)d值按升序排序，并分別選取前z個(gè)樣本，用m(k)表示與xk同類的z個(gè)樣本組成的集合，用m(c)表示與xk異類且屬于c類的z個(gè)樣本組成的集合；

使用如下所述的公式更新腦電熵值參數(shù)r的權(quán)重wr：

其中，wr(i)表示第i(1＜i≤n)次迭代腦電熵值參數(shù)r的權(quán)重；p(·)為所屬類型的樣本個(gè)數(shù)在樣本總數(shù)所占的比率；n為迭代次數(shù)；

經(jīng)過n次迭代之后，求取各個(gè)腦電熵值參數(shù)相應(yīng)權(quán)重的均值，選取其中權(quán)重最大的h項(xiàng)腦電熵值參數(shù)作為持續(xù)性注意水平敏感性指標(biāo)，即指標(biāo)集合z'＝{z1',z'2,...,z'h}。

步驟14，將得到的兩個(gè)指標(biāo)集合的交集g作為持續(xù)性注意水平的敏感性特征指標(biāo)：

g＝{(z∩z')＝(z1,z2,...,ze)}(10)

通過上述的步驟11～14，即可通過選取得到持續(xù)性注意水平的敏感性特征指標(biāo)。

另外，在本發(fā)明的技術(shù)方案中，可以通過實(shí)驗(yàn)驗(yàn)證持續(xù)性注意水平的劃分的合理性。

例如，在本發(fā)明的較佳實(shí)施例中，為了驗(yàn)證上述步驟11中的較佳實(shí)施例中選取16-46min,210-240min2個(gè)時(shí)間段對(duì)應(yīng)動(dòng)車司機(jī)不同持續(xù)性注意水平假設(shè)的合理性，可以對(duì)上述兩時(shí)段的主觀疲勞測(cè)評(píng)數(shù)據(jù)、3項(xiàng)行為數(shù)據(jù)(反應(yīng)時(shí)、速度偏差與有效檢測(cè)率)進(jìn)行計(jì)算及配對(duì)樣本t檢驗(yàn)，其結(jié)果如圖3所示。

結(jié)果表明，主觀疲勞kss得分在第2時(shí)段顯著高于第1時(shí)段(2.13vs7.23，t(21)＝－6.86，p<.01)；在速度偏差方面，第2時(shí)段的偏差顯著高于第1時(shí)段(3.22vs5.13,t(21)＝-5.21,p＜.01)；在對(duì)隨機(jī)探測(cè)信號(hào)反應(yīng)方面，第2時(shí)段的反應(yīng)時(shí)顯著高于第2時(shí)段(565.43vs602.58,t(21)＝-3.11,p＜.05)；第2時(shí)段的有效檢測(cè)率顯著低于第1時(shí)段(90.62vs78.86,t(21)＝2.52,p＜.05)。

對(duì)隨機(jī)信號(hào)的反應(yīng)時(shí)間和有效檢測(cè)率是評(píng)估持續(xù)性注意能力的有效指標(biāo)，與第1時(shí)段(16-46min)相比，動(dòng)車司機(jī)在第2時(shí)段(210-240min)次任務(wù)中對(duì)紅點(diǎn)隨機(jī)信號(hào)檢測(cè)能力顯著下降(反應(yīng)時(shí)增加，有效檢測(cè)率下降)，這表明本實(shí)驗(yàn)中以第1時(shí)段(16-46min)作為高持續(xù)性注意水平、第2時(shí)段(210-240min)作為低持續(xù)性注意水平的劃分是合理的。

另外，在本發(fā)明的技術(shù)方案中，還可以

對(duì)于實(shí)驗(yàn)所采集的腦電信號(hào)，在使用步驟12中的處理方法對(duì)其進(jìn)行快速的傅里葉變換，然后對(duì)θ(4～8hz)、α(8～13hz)和β(13～30hz)3個(gè)頻段進(jìn)行樣本熵、近似熵與香農(nóng)熵處理，共可得到288組特征指標(biāo)。采用上述的kruskal-wallis檢驗(yàn)方法，得出在32個(gè)電極上兩階段腦電數(shù)據(jù)間的p值，如圖4(a)所示；由此選出對(duì)持續(xù)性注意水平最敏感的10個(gè)指標(biāo)，如圖4(b)所示。

根據(jù)上述的relief算法，可得到各個(gè)腦電熵指標(biāo)的權(quán)重均值，選取權(quán)重值最大的10個(gè)熵指標(biāo)作為持續(xù)性注意水平的敏感性指標(biāo)。其電極位置分布如圖5(a)所示，前10項(xiàng)敏感性指標(biāo)如圖5(b)所示。

以kruskal-wallis檢驗(yàn)和relief算法篩選所得到的敏感性指標(biāo)交集作為持續(xù)性注意的特征指標(biāo)，即位于fp1、f7電極處β波段的香農(nóng)熵h(p)以及位于fz電極α波段的樣本熵sampen。

綜上可知，在本發(fā)明中的持續(xù)性注意水平的敏感性特征指標(biāo)的選取方法中，由于先通過多個(gè)電極采集腦電信號(hào)，記錄與所述腦電信號(hào)對(duì)應(yīng)的反應(yīng)時(shí)間參數(shù)，并采集主觀疲勞測(cè)評(píng)數(shù)據(jù)和行為績(jī)效測(cè)評(píng)數(shù)據(jù)；根據(jù)采集到的腦電信號(hào)計(jì)算得到腦電熵值參數(shù)，然后采用kruskal-wallis檢驗(yàn)方法與relief算法，分別選取敏感于不同持續(xù)性注意水平的指標(biāo)集合，最終持續(xù)性注意水平的敏感性特征指標(biāo)，從而實(shí)現(xiàn)了敏感于動(dòng)車司機(jī)的持續(xù)性注意水平腦電特征指標(biāo)的選取，為動(dòng)車司機(jī)持續(xù)性注意水平的量化測(cè)評(píng)及后期持續(xù)性注意水平識(shí)別模型構(gòu)建提供了依據(jù)；并且通過前后兩時(shí)段的主觀疲勞測(cè)評(píng)數(shù)據(jù)與對(duì)隨機(jī)信號(hào)的反應(yīng)時(shí)差異性對(duì)比分析，驗(yàn)證了長(zhǎng)時(shí)間連續(xù)動(dòng)車駕駛作業(yè)會(huì)引發(fā)動(dòng)車司機(jī)精神疲勞及持續(xù)性注意水平下降。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明保護(hù)的范圍之內(nèi)。