本發(fā)明涉及應(yīng)激檢測技術(shù)，特別涉及一種腦力負(fù)荷水平的識別方法。

背景技術(shù)：

車載信息系統(tǒng)(例如，gps導(dǎo)航、實(shí)時通訊、車載音視頻等系統(tǒng))的普遍使用，以及交通控制信息的復(fù)雜性增加，使得駕駛員的腦力負(fù)荷量增長。高腦力負(fù)荷狀況，將造成駕駛?cè)藢ν话l(fā)交通事件反應(yīng)時延長，周邊交通事件識別率降低，從而引起反應(yīng)操作失誤，影響駕駛安全。因此，對于駕駛員的腦力負(fù)荷水平予以有效識別是駕駛行為類研究的一個關(guān)鍵性問題。

目前，國內(nèi)外對駕駛?cè)四X力負(fù)荷進(jìn)行了廣泛研究，研究結(jié)果表明：車流量、交通標(biāo)志、道路設(shè)計(jì)等交通環(huán)境因素會造成駕駛?cè)四X力負(fù)荷量的增加，而腦力負(fù)荷的增加將會引起駕駛員對突發(fā)事件反應(yīng)時間的延長，對外周隨機(jī)信號、事件準(zhǔn)確識別率的下降，以及車輛駕駛控制績效的降低，從而引發(fā)事故發(fā)生概率的增加。為此，眾多研究人員就駕駛員的腦力負(fù)荷測評方法開展了研究，目前主要采用的腦力負(fù)荷測評方法為：基于nasa任務(wù)負(fù)荷指數(shù)和主觀負(fù)荷評估技術(shù)的主觀測評法，以及基于主任務(wù)和次任務(wù)行為績效的工作績效測量法。

現(xiàn)有技術(shù)中的上述方法為駕駛員的腦力負(fù)荷識別研究提供了重要依據(jù)。但是，在現(xiàn)有技術(shù)中的各種方法中，主觀測評及行為績效測評具有與行為狀態(tài)的時間滯后性，很難用于實(shí)時駕駛員的腦力負(fù)荷測評。腦電信號作為直接反應(yīng)大腦活動的神經(jīng)生理信號，與駕駛員的當(dāng)前精神狀態(tài)具有高度相關(guān)性，因此，亟待研究和提出一種腦力負(fù)荷水平的識別方法，從而實(shí)現(xiàn)駕駛員的腦力負(fù)荷水平的動態(tài)實(shí)時識別，為自動輔助駕駛的設(shè)計(jì)以及交通信息的整合優(yōu)化設(shè)計(jì)提供依據(jù)。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明提供一種腦力負(fù)荷水平的識別方法，從而可以實(shí)現(xiàn)駕駛員的腦力負(fù)荷水平的動態(tài)實(shí)時識別。

本發(fā)明的技術(shù)方案具體是這樣實(shí)現(xiàn)的：

一種腦力負(fù)荷水平的識別方法，該方法包括：

通過多個電極采集腦電信號，記錄與所述腦電信號對應(yīng)的反應(yīng)時間參數(shù)；

從采集到的腦電信號中提取腦電信號參數(shù)；

從所得到的腦電信號參數(shù)中選取預(yù)設(shè)數(shù)量的腦電信號參數(shù)作為駕駛腦力負(fù)荷特征指標(biāo)；

基于所述駕駛腦力負(fù)荷特征指標(biāo)，建立支持向量機(jī)svm識別模型；

根據(jù)所述svm識別模型，對腦力負(fù)荷水平進(jìn)行識別。

較佳的，所述從采集到的腦電信號中提取腦電信號參數(shù)包括：

將采集到的腦電信號劃分成多個時間長度為k分鐘的分析單元，對每個分析單元的腦電信號以0～80hz的帶寬進(jìn)行整體濾波處理；

對每個分析單元的腦電信號，以預(yù)設(shè)步長為時間窗從左到右逐段滑動，并以預(yù)設(shè)的時間窗重疊率將一個分析單元的腦電信號分割成多個時間窗信號；

將每一個時間窗信號內(nèi)乘于等長度的漢明窗，得到中間變量f[n]；

對f[n]進(jìn)行快速傅里葉變換，得到腦電信號在頻域的幅值分布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；對于每一個分析單元的腦電信號，當(dāng)時間窗從前至后逐段滑動時，得各個預(yù)設(shè)頻段各自的幅值序列；

對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，得到各頻段的幅值序列集合；

對的幅值序列集合中的各個時間窗幅值求幅值平均值，將所述幅值平均值作為一個分析單元的腦電信號在對應(yīng)頻段的幅度代表值，即腦電信號參數(shù)。

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

較佳的，所述幅值分布f(k)為：

其中，wn＝cos(2π/n)-jsin(2π/n)，n為腦電信號樣本量，n為最接近n且大于n的2的冪值。

較佳的，所述預(yù)設(shè)頻段為δ、θ、α和β頻段；

所述δ頻段為0.5～4hz，所述θ頻段為4～8hz，α頻段為8～13hz，β頻段為13～30hz。

較佳的，所述從所得到的腦電信號參數(shù)中選取預(yù)設(shè)數(shù)量的腦電信號參數(shù)作為駕駛腦力負(fù)荷特征指標(biāo)包括：

對于任意的一項(xiàng)腦電信號參數(shù)xj，將其在高腦力負(fù)荷駕駛狀態(tài)與低腦力負(fù)荷駕駛狀態(tài)下得到的參數(shù)序列進(jìn)行混合，進(jìn)行kruskal-wallis檢驗(yàn)：

其中，h為檢驗(yàn)統(tǒng)計(jì)量，i為腦力負(fù)荷等級標(biāo)量；i＝1為低負(fù)荷，i＝2為高負(fù)荷；表示第i類負(fù)荷等級下，參數(shù)樣本的平均秩；m為兩類參數(shù)樣本的總量；

對所有的腦電信號參數(shù)逐一進(jìn)行檢驗(yàn)，通過查表得到與各個腦電信號參數(shù)對應(yīng)的臨界區(qū)域的概率p；

從所有的腦電信號參數(shù)中選取臨界區(qū)域的概率p最小的前m(1≤m≤4×q)項(xiàng)腦電信號參數(shù)作為駕駛腦力負(fù)荷特征指標(biāo)。

較佳的，所述基于所述駕駛腦力負(fù)荷特征指標(biāo)，建立svm識別模型包括：

設(shè)第t個駕駛腦力負(fù)荷特征指標(biāo)樣本為xt＝(xt1,xt2,…,xtm)(其中 t＝1,2,…,d，d為樣本容量)；并設(shè)定高腦力負(fù)荷和低腦力負(fù)荷；

通過非線性變換φ，將xt映射到高維線性空間；

若存在最優(yōu)線性分界面滿足如下條件：

w·φ(xt)+b＝0；

其中w·φ(xt)為向量w和φ(xt)的內(nèi)積；

則得到判別函數(shù)：

轉(zhuǎn)化為二次規(guī)劃問題：

其中，w∈r^d和b∈r為權(quán)重因子；ξt為松弛函數(shù)；c為懲罰函數(shù)；

用核函數(shù)來代替φ(xt)，其中，σ為核函數(shù)的寬度且t、l＝1,2,…,d，故決策函數(shù)寫為：

對于一個未知類型的駕駛?cè)四X力負(fù)荷識別特征向量樣本x＝(x1,x2,…,xm)，計(jì)算：

并根據(jù)y(x)的取值判斷x屬于的類型。

較佳的，若y(x)＝1，判斷x屬于高腦力負(fù)荷；

若y(x)＝-1，判斷x屬于低腦力負(fù)荷。

如上可見，在本發(fā)明中的腦力負(fù)荷水平的識別方法中，通過多個電極采集腦電信號，記錄與所述腦電信號對應(yīng)的反應(yīng)時間參數(shù)，從采集到的腦電信號中提取腦電信號參數(shù)，并選取預(yù)設(shè)數(shù)量的腦電信號參數(shù)作為駕駛腦力負(fù)荷特征指標(biāo)；然后建立svm識別模型，對腦力負(fù)荷水平進(jìn)行識別，從而可以較為準(zhǔn)確地對駕駛員的腦力負(fù)荷水平進(jìn)行識別，而且模型識別的準(zhǔn)確率高，并進(jìn)一步驗(yàn)證了頻域指標(biāo)不僅可以對認(rèn)知實(shí)驗(yàn)類的腦力負(fù)荷水平進(jìn)行識別，也可對模擬環(huán)境下駕駛員的腦力負(fù)荷水平進(jìn)行有效識別，從而對未來自動輔助駕駛系統(tǒng)構(gòu)建，交通環(huán)境及車載信息系統(tǒng)整合優(yōu)化設(shè)計(jì)提供了依據(jù)。

附圖說明

圖1為本發(fā)明實(shí)施例中的腦力負(fù)荷水平的識別方法的流程示意圖。

圖2為本發(fā)明實(shí)施例中的行為數(shù)據(jù)結(jié)果示意圖。

圖3為本發(fā)明實(shí)施例中的svm模型測試結(jié)果示意圖。

圖4為本發(fā)明實(shí)施例中的svm模型roc曲線圖。

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，對本發(fā)明進(jìn)一步詳細(xì)說明。

本實(shí)施例提供了一種腦力負(fù)荷水平的識別方法。

圖1為本發(fā)明實(shí)施例中的腦力負(fù)荷水平的識別方法的流程示意圖。如圖1所示，本發(fā)明實(shí)施例中的腦力負(fù)荷水平的識別方法主要包括如下所述的步驟：

步驟11，通過多個電極采集腦電信號，記錄與所述腦電信號對應(yīng)的反應(yīng)時間參數(shù)。

在本發(fā)明的技術(shù)方案中，為了測試駕駛員對突發(fā)時間的簡單反應(yīng)時間， 需要對被測試人員(例如，志愿者)進(jìn)行相應(yīng)的測試，從而獲得相應(yīng)的腦電信號、與腦電信號對應(yīng)的反應(yīng)時間參數(shù)以及主觀疲勞及行為績效測評數(shù)據(jù)。

例如，較佳的，在本發(fā)明的較佳實(shí)施例中，可以先召集多個被測試人員，例如，在本發(fā)明的一個具體實(shí)驗(yàn)中，選取了16名被測試人員在模擬器(例如，合縱連橫vds-s-iii)上分別進(jìn)行高低負(fù)荷駕駛測試實(shí)驗(yàn)。被測試人員年齡24±2歲，持有效駕照，駕駛里程累計(jì)10000公里以上。

在本發(fā)明的上述具體實(shí)驗(yàn)中，采用雙任務(wù)實(shí)驗(yàn)范式構(gòu)造高、低兩種條件的駕駛腦力負(fù)荷等級，其中主任務(wù)為駕駛追蹤任務(wù)，實(shí)驗(yàn)前告知被測試人員兩車間距的合理值，通過練習(xí)使被測試人員感知合理距離。任務(wù)要求駕駛?cè)丝刂芶車，與b車保持合理間距。次任務(wù)為隨機(jī)信號探測任務(wù)，當(dāng)b車突然制動，剎車燈亮起，要求被測試人員盡可能快的做出制動反應(yīng)，此時仍需保持合理間距。任務(wù)負(fù)荷由主任務(wù)的追蹤速度來控制，高負(fù)荷平均車速為80km/h，低負(fù)荷平均車速為40km/h。

在實(shí)驗(yàn)過程種，記錄兩種腦力負(fù)荷條件下a、b兩車實(shí)際間距與合理間距的差值和對隨機(jī)探測信號任務(wù)的反應(yīng)時及正確率，數(shù)據(jù)記錄頻率為10hz。同時，采用德國brainproducts公司的腦電信號(eeg)記錄與分析系統(tǒng)，按國際10-20系統(tǒng)擴(kuò)展的32導(dǎo)電極帽記錄駕駛員的腦電信號，頭皮與電極之間的阻抗小于5kω，記錄帶寬為0.5-100hz，采樣率為1000hz。

通過上述的方式即可采集到腦電信號以及與所述腦電信號對應(yīng)的反應(yīng)時間參數(shù)。

步驟12，從采集到的腦電信號中提取腦電信號參數(shù)。

腦電信號反映了大腦活動狀態(tài)，人腦由低負(fù)荷狀態(tài)進(jìn)入高負(fù)荷狀態(tài)時，腦電活動頻段幅值也相應(yīng)發(fā)生變化，即高頻波段幅度增加而低頻波段幅度降低。腦電活動的各頻段幅值變化能反映駕駛?cè)说哪X力負(fù)荷狀態(tài)。因此，在本發(fā)明的技術(shù)方案中，可以將腦電信號中預(yù)設(shè)頻段，例如，四種信號頻段：δ(0.5～4hz)、θ(4～8hz)、α(8～13hz)和β(13～30hz)的幅值作為腦力 負(fù)荷識別參數(shù)。

在本發(fā)明的技術(shù)方案中，可以使用多種方式從腦電信號中提取腦電信號參數(shù)。以下將以其中的一種具體實(shí)現(xiàn)方式為例，對本發(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，所述從采集到的腦電信號中提取腦電信號參數(shù)包括：

步驟121，將采集到的腦電信號劃分成多個時間長度為k分鐘的分析單元，對每個分析單元的腦電信號以0～80hz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時間長度(簡稱時長)為(m*k)分鐘，則可以將該采集到的腦電信號劃分成m個分析單元，每個分析單元的腦電信號的時長為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，對每個分析單元的腦電信號，以預(yù)設(shè)步長為時間窗從左到右逐段滑動，并以預(yù)設(shè)的時間窗重疊率將一個分析單元的腦電信號分割成多個時間窗信號。

在本發(fā)明的技術(shù)方案中，所述預(yù)設(shè)步長的取值可以根據(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)步長為2秒。

在本發(fā)明的技術(shù)方案中，所述時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，所述時間窗重疊率為50％。

因此，例如，當(dāng)分析單元的時長為1分鐘、預(yù)設(shè)步長為2000毫秒、時間窗重疊率為50％時，則可以將一個分析單元的腦電信號分割成60個時間窗信號，每個時間窗信號的腦電信號的時長為2000毫秒，且各個時間窗信號之 間的重疊率為50％。

步驟123，將每一個時間窗信號內(nèi)乘于等長度的漢明窗，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)對快速傅里葉變換(fft)的影響，可以將每一個時間窗信號都內(nèi)乘于等長度的漢明窗，得到中間變量f[n]。

步驟124，對f[n]進(jìn)行快速傅里葉變換，得到腦電信號在頻域的幅值分布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)，n為腦電信號樣本量，n為最接近n且大于n的2的冪值。

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；對于每一個分析單元的腦電信號，當(dāng)時間窗從前至后逐段滑動時，得各個預(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δ、θ、α和β頻段；所述δ頻段為0.5～4hz，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)一個分析單元的腦電信號為時長為1分鐘的腦電信號、各個時間窗信號之間的重疊率為50％時，可以得到上述δ、θ、α和β等4個頻段各自的幅值序列。

步驟126，對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，得到各頻段(例如，δ、θ、α和β頻段)的幅值序列集合。

步驟127，對的幅值序列集合中的各個時間窗幅值求幅值平均值，將所述幅值平均值作為一個分析單元的腦電信號在對應(yīng)頻段的幅度代表值，即腦電信號參數(shù)。

在本發(fā)明的技術(shù)方案中，通過上述的步驟121～127，可以對從每一個電極采集到的腦電信號進(jìn)行上述的處理，從而得到從一個電極采集到的腦電信號的腦電信號參數(shù)。

例如，如果所述預(yù)設(shè)頻段為δ、θ、α和β頻段，則對于從每一個電極采集到的腦電信號，可得到4個腦電信號參數(shù)(即幅度代表值)。因此，如果使用了q個電極采集腦電信號，則一共可以得到(4×q)項(xiàng)腦電信號參數(shù)，可以記為xj(1≤j≤4×q)。

步驟13，從所得到的腦電信號參數(shù)中選取預(yù)設(shè)數(shù)量的腦電信號參數(shù)作為駕駛腦力負(fù)荷特征指標(biāo)。

在本發(fā)明的技術(shù)方案中，可以使用多種方式從所得到的腦電信號參數(shù)中選取預(yù)設(shè)數(shù)量的腦電信號參數(shù)作為駕駛腦力負(fù)荷特征指標(biāo)。以下將以其中的一種具體實(shí)現(xiàn)方式為例，對本發(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，所述從所得到的腦電信號參數(shù)中選取預(yù)設(shè)數(shù)量的腦電信號參數(shù)作為駕駛腦力負(fù)荷特征指標(biāo)包括：

步驟131，對于任意的一項(xiàng)腦電信號參數(shù)xj，將其在高腦力負(fù)荷駕駛狀態(tài)與低腦力負(fù)荷駕駛狀態(tài)下得到的參數(shù)序列進(jìn)行混合，進(jìn)行kruskal-wallis檢驗(yàn)：

其中，h為檢驗(yàn)統(tǒng)計(jì)量，i為腦力負(fù)荷等級標(biāo)量；i＝1為低負(fù)荷，i＝2為高負(fù)荷；表示第i類負(fù)荷等級下，參數(shù)樣本的平均秩；m為兩類參數(shù)樣本的總量。

步驟132，對所有的腦電信號參數(shù)逐一進(jìn)行檢驗(yàn)，通過查表得到與各個 腦電信號參數(shù)對應(yīng)的臨界區(qū)域的概率p。

在本發(fā)明的技術(shù)方案中，由于h服從自由度為1的卡方分布，因此通過查表可得到臨界區(qū)域的概率p。所述p值代表了兩種腦力負(fù)荷條件下樣本分布相同的概率，故p值越小代表該項(xiàng)參數(shù)在兩類負(fù)荷狀態(tài)下的數(shù)據(jù)分布差異越大，p<.05即為差異顯著。

步驟133，從所有的腦電信號參數(shù)中選取臨界區(qū)域的概率p最小的前m(1≤m≤4×q)項(xiàng)腦電信號參數(shù)作為駕駛腦力負(fù)荷特征指標(biāo)。

在本發(fā)明的技術(shù)方案中，可以基于上述方法，對4×q項(xiàng)腦電參數(shù)逐一進(jìn)行檢驗(yàn)，然后從4×q項(xiàng)腦電參數(shù)中選出概率p最小的前m項(xiàng)構(gòu)成駕駛腦力負(fù)荷特征指標(biāo)。

在本發(fā)明的技術(shù)方案中，所述m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。

通過上述的步驟131～133，即可獲得所需的駕駛腦力負(fù)荷特征指標(biāo)。

步驟14，基于所述駕駛腦力負(fù)荷特征指標(biāo)，建立支持向量機(jī)(svm)識別模型。

在本發(fā)明的技術(shù)方案中，可以使用多種方式建立svm識別模型。以下將以其中的一種具體實(shí)現(xiàn)方式為例，對本發(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，所述基于所述駕駛腦力負(fù)荷特征指標(biāo)，建立svm識別模型包括：

步驟141，設(shè)第t個駕駛腦力負(fù)荷特征指標(biāo)樣本為xt＝(xt1,xt2,…,xtm)(其中t＝1,2,…,d，d為樣本容量)；并設(shè)定高腦力負(fù)荷和低腦力負(fù)荷；

較佳的，在本發(fā)明的具體實(shí)施例中，可以預(yù)先設(shè)置高腦力負(fù)荷和低腦力負(fù)荷。例如，可以預(yù)先設(shè)定1為高腦力負(fù)荷，-1為低腦力負(fù)荷；此時，xt可能是1或-1兩種類型中的其中一種。

步驟142，通過非線性變換φ，將xt映射到高維線性空間。

步驟143，若存在最優(yōu)線性分界面滿足如下條件：

w·φ(xt)+b＝0(3)

其中w·φ(xt)為向量w和φ(xt)的內(nèi)積；

則得到判別函數(shù)：

該問題即可轉(zhuǎn)化為二次規(guī)劃問題：

其中，w∈r^d和b∈r為權(quán)重因子；ξt為松弛函數(shù)；c為懲罰函數(shù)。

步驟144，用核函數(shù)(σ為核函數(shù)的寬度)(t、l＝1,2,…,d)來代替φ(xt)，故決策函數(shù)寫為：

步驟145，對于一個未知類型的駕駛?cè)四X力負(fù)荷識別特征向量樣本x＝(x1,x2,…,xm)，計(jì)算：

并根據(jù)y(x)的取值判斷x屬于的類型。

例如，較佳的，在本發(fā)明的具體實(shí)施例中，若y(x)＝1，判斷x屬于第1類，即高腦力負(fù)荷；若y(x)＝-1，判斷x屬于第2類，即低腦力負(fù)荷。

通過上述的步驟141～145，即可基于所述駕駛腦力負(fù)荷特征指標(biāo)，建立svm識別模型。

步驟15，根據(jù)所述svm識別模型，對腦力負(fù)荷水平進(jìn)行識別。

在本發(fā)明的技術(shù)方案中，在建立上述svm識別模型之后，即可根據(jù)所述svm識別模型，對腦力負(fù)荷水平進(jìn)行識別，并得到相應(yīng)的識別結(jié)果，從而可以對駕駛員的腦力負(fù)荷水平進(jìn)行識別。

因此，通過上述步驟11～15中所描述的方法，即可構(gòu)建所述svm識別模型，并根據(jù)所述svm識別模型對駕駛員的腦力負(fù)荷水平進(jìn)行識別。

在本發(fā)明的技術(shù)方案中，為了驗(yàn)證本發(fā)明中的上述svm識別模型的有效性，可以利用實(shí)驗(yàn)所得到的腦電信號來對駕駛員的腦力負(fù)荷水平進(jìn)行識別，并對上述的識別結(jié)果進(jìn)行測評。

例如，在本發(fā)明的技術(shù)方案中，通過如上述步驟11中所記載的實(shí)驗(yàn)方法，svm識別模型對某個未知類型的駕駛員腦力負(fù)荷識別特征向量樣本x＝(x1,x2,…,xm)的識別可產(chǎn)生4種結(jié)果：

(1)、輸入樣本為高腦力負(fù)荷，識別判斷為高腦力負(fù)荷，記為真高負(fù)荷(th)；

(2)、輸入樣本為低腦力負(fù)荷，識別判斷為高負(fù)荷，記為偽高負(fù)荷(fh)；

(3)、輸入樣本為低腦力負(fù)荷，識別判斷為低腦力負(fù)荷，記為真低負(fù)荷(tl)；

(4)、輸入樣本為高負(fù)荷，識別判斷為低負(fù)荷，記為偽低負(fù)荷(fl)。

基于上述假設(shè)，可構(gòu)建以下三項(xiàng)指標(biāo)對識別效果予以測評，即：

其中，thr反應(yīng)了svm識別器對高腦力負(fù)荷狀態(tài)的識別正確率；spc 反應(yīng)了svm識別器對低腦力負(fù)荷的識別正確率；acc反應(yīng)了svm識別器對所有樣本的整體識別正確率。

在本發(fā)明的技術(shù)方案中，可以對三項(xiàng)行為數(shù)據(jù)及主觀負(fù)荷測評數(shù)據(jù)進(jìn)行均值與標(biāo)準(zhǔn)差計(jì)算，其結(jié)果如圖2所示。

圖2為本發(fā)明實(shí)施例中的行為數(shù)據(jù)結(jié)果示意圖。如圖2所示，對上述數(shù)據(jù)進(jìn)行配對樣本t檢驗(yàn)，結(jié)果表明，nasa主觀量表得分在低負(fù)荷下顯著低于高負(fù)荷(82.20vs.92.70,t(15)＝-8.197,p<.01)；低負(fù)荷條件下兩車合理距離偏差值與反應(yīng)時顯著低于高負(fù)荷條件(2.0.2vs.2.7.6,t(15)＝-2.40,p<.05；482.5vs.518.6,t(15)＝-11.791,p<.01)，正確率在低負(fù)荷條件下顯著大于高負(fù)荷條件(92.26vs.87.37,t(15)＝3.05,p<.05)。故知上述兩種駕駛?cè)蝿?wù)設(shè)置，實(shí)現(xiàn)了駕駛?cè)四X力負(fù)荷的差異。

圖3為本發(fā)明實(shí)施例中的svm模型測試結(jié)果示意圖，如圖3所示，所述svm識別模型的判斷正確率較好，模型識別正確率可達(dá)93.8％～96.5％，平均正確率為95.2％。

圖4為本發(fā)明實(shí)施例中的svm模型roc曲線圖。如圖4所示，所述roc曲線圖反應(yīng)出識別模型對于數(shù)據(jù)的分類具有較好的穩(wěn)定性。

綜上可知，在本發(fā)明中的腦力負(fù)荷水平的識別方法中，通過多個電極采集腦電信號，記錄與所述腦電信號對應(yīng)的反應(yīng)時間參數(shù)，從采集到的腦電信號中提取腦電信號參數(shù)，并選取預(yù)設(shè)數(shù)量的腦電信號參數(shù)作為駕駛腦力負(fù)荷特征指標(biāo)；然后建立svm識別模型，對腦力負(fù)荷水平進(jìn)行識別，從而可以較為準(zhǔn)確地對駕駛員的腦力負(fù)荷水平進(jìn)行識別，而且模型識別的準(zhǔn)確率高，并進(jìn)一步驗(yàn)證了頻域指標(biāo)不僅可以對認(rèn)知實(shí)驗(yàn)類的腦力負(fù)荷水平進(jìn)行識別，也可對模擬環(huán)境下駕駛員的腦力負(fù)荷水平進(jìn)行有效識別，從而對未來自動輔助駕駛系統(tǒng)構(gòu)建，交通環(huán)境及車載信息系統(tǒng)整合優(yōu)化設(shè)計(jì)提供了依據(jù)。

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)。