一种基于K-TRCA的脑力疲劳评估方法技术

本发明专利技术公开了一种基于K

【技术实现步骤摘要】
一种基于K
‑
TRCA的脑力疲劳评估方法


[0001]本专利技术涉及脑力疲劳评估领域，尤其涉及一种基于K
‑
TRCA的脑力疲劳评估方法，是一种基于K
‑
means聚类方法结合任务相关成分分析(Improved Task
‑
relevant Component Analysis，TRCA)算法对快速序列视觉呈现(Rapid Serial Visual Presentation，RSVP)弱小目标检测任务下诱发的脑力疲劳进行识别的方法。

技术介绍

[0002]无论是日常生活的自动驾驶，还是在现代化的高科技战争等快速反应领域，都要求系统对弱小目标具备快的反应时间、远的发现距离，即实现RSVP弱小目标快速检测。单纯依靠计算机视觉处理，很难实现精确识别。结合机器智能和人脑智能的优点和人机混合策略，能够提升弱小目标的感知能力。然而，人脑在高强度、长时间的弱小目标检测任务中，容易出现疲劳，如果没有得到及时评价和干预，将会导致严重的后果，所以快速准确对人脑的疲劳状态做出评估，及时实施预警，对于预防因作业人员疲劳而引发的人为事故具有重要的意义。
[0003]近年来，脑力疲劳的评估手段趋于多元化，主要基于主观量表、生理指标、心理指标和生化指标等角度，对多模态指标进行融合实现疲劳评估，是未来发展的主要方向。然而，在脑力疲劳方面，多模数据的融合方法往往采用决策层融合的方法，该方法的缺陷是最终的识别准确率过度依赖于单一模态数据的识别精度。目前，亟需一种通过多模数据在特征层进行融合再识别的方法，有效提高RSVP弱小目标识别任务中疲劳度的评估水平并保证结果的稳定性。
[0004]脑电被认为是判断疲劳度的最可靠的指标之一，但是存在以下几点不足：首先，疲劳数据的标定往往基于主观疲劳量表，受个人主观判断的影响，导致标定环节有误差，进而影响分类结果；其次，多数研究是基于脑电的θ、δ、α波段变化的频域分析对疲劳进行评估，对脑电的各个通道在更深层次间的关系缺乏研究，也没有从脑电与疲劳的相关成分角度分析，这阻碍了脑电作为疲劳评估指标的进一步发展和应用。
[0005]眼动指标包括眨眼频率，瞳孔直径，眼睑闭合度等参数常被用于疲劳度的评估，其中基于PERCLOS(percentage of eyelid closure over the pupil over time)算法中P80的标准被公认为与疲劳度有最好的相关性，但是针对根据不同任务和不同的人，P80的固定阈值很难做到精准划分，这也限制了该方法的多领域应用。

技术实现思路

[0006]本专利技术的目的是为了克服以上已有技术的不足，提供一种基于K
‑
TRCA的脑力疲劳评估方法，基于P80阈值判定法结合K
‑
means聚类算法对眼动数据进行标定，保证了类别划分的客观性和准确性，基于TRCA算法提取最大疲劳相关成分进行训练与分类识别，从脑电数据的各通道之间的深层次关系解析疲劳，进而提高RSVP弱小目标识别任务中的疲劳评估精度，增强鲁棒性和泛化能力。
[0007]为了实现上述目的，本专利技术的技术解决方案是：
[0008]一种基于K
‑
TRCA的脑力疲劳评估方法，包括如下操作步骤：
[0009]基于RSVP弱小目标检测任务，同时采集被试的眼动数据和脑电数据，两类数据中均包含目标图像出现时刻的同步标签，数据处理分为4个阶段：
[0010](1)预处理阶段
[0011](1
‑
1)对左右眼的瞳孔直径数据出现空缺的数据段用“0”填充；
[0012](1
‑
2)对原始脑电数据，进行滤波并去除眼电伪迹；
[0013](1
‑
3)从第一个目标图像出现的时间标签开始，向后截取单位时间长度为t0的瞳孔直径数据和脑电数据，直至遍历所有的目标图像出现的时间标签，将截取的数据段样本分别保存为瞳孔数据样本集和脑电数据样本集；
[0014](2)标定阶段
[0015](2
‑
1)计算瞳孔数据样本集中每个样本的P80数值，根据国际公认的P80阈值标准，将结果分为清醒、疲劳、瞌睡3类；
[0016](2
‑
2)通过K
‑
means算法对所有的瞳孔数据样本进行重新聚类，将新聚类的瞳孔直径数据样本对应的脑电数据样本集表示为X1、X2、X3，其中，X1为清醒样本、X2为疲劳样本、X3为瞌睡样本，用于训练；
[0017](3)训练阶段
[0018](3
‑
1)对所述的X1、X2、X3，使用TRCA算法进行疲劳相关成分分析，计算出能够提取3类疲劳相关成分的空间滤波器组W；
[0019](3
‑
2)计算出每一个疲劳类别的所有训练样本的叠加平均值
[0020](4)测试阶段
[0021](4
‑
1)使用空间滤波器组W同时对测试样本Y∈R
Nc
×
Nt
和进行滤波，并计算皮尔逊相关系数r
k，k＝1,2,3
；计算公式如下：
[0022][0023]其中，k＝1,2,3，R表示实数集，Nc表示通道数，Nt表示采样点数，ρ(*,*)表示进行皮尔逊相关系数计算，Y表示测试样本，T表示矩阵的转置运算，W表示空间滤波器组，表示示中的第k个的转置；
[0024](4
‑
2)比较r1、r2、r3的大小，如果r1最大，则判定测试样本Y表示清醒状态，如果r2最大，则判定测试样本Y表示疲劳状态，如果r3最大，则判定测试样本Y表示瞌睡状态。
[0025]优选的，所述步骤(2
‑
1)中的P80数值计算方法具体实现如下：
[0026]通过计算单位时间内瞳孔面积被遮住超过80％的时间t1占单位时间t0的百分比的大小，初步评估大脑疲劳程度。假设瞳孔直径样本集中的某一个数值为d，被试在睁眼静息态的平均瞳孔直径为d，则瞳孔面积被遮住超过80％的时间t1筛选条件可表示为：
[0027][0028]于是P80数值计算公式可以表示为：
[0029][0030]优选的，所述步骤(2
‑
1)中的P80阈值判定标准具体为：
[0031]当P80≤0.075，清醒状态；
[0032]当0.075<P80≤0.15，疲劳状态；
[0033]当P80>0.15，瞌睡状态。
[0034]优选的，所述(2
‑
2)中的K
‑
means算法具体实现如下：
[0035]中心初始化：假设3类疲劳状态的瞳孔直径样本集可表示为C
j
，j＝1,2,3，在每一类瞳孔直径数据中随机选择一组数据，一共3组数据分别作为K
‑
means算法的初始聚类中心A1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于K
‑
TRCA的脑力疲劳评估方法，其特征在于，操作步骤如下：(1)预处理阶段：(1
‑
1)对左右眼的瞳孔直径数据出现空缺的数据段用“0”填充；(1
‑
2)对原始脑电数据，进行滤波并去除眼电伪迹；(1
‑
3)从第一个目标图像出现的时间标签开始，向后截取单位时间长度为t0的瞳孔直径数据和脑电数据，直至遍历所有的目标图像出现的时间标签，将截取的数据段样本分别保存为瞳孔数据样本集和脑电数据样本集；(2)标定阶段：(2
‑
1)计算瞳孔数据样本集中每个样本的P80数值，根据国际公认的P80阈值标准，将结果分为清醒、疲劳、瞌睡3类；(2
‑
2)通过K
‑
means算法，对所有的瞳孔数据样本进行重新聚类，将新聚类的瞳孔直径数据样本对应的脑电数据样本集表示为X1、X2、X3，其中，X1为清醒样本、X2为疲劳样本、X3为瞌睡样本，用于训练；(3)训练阶段：(3
‑
1)对所述的X1、X2、X3，使用TRCA算法，进行疲劳相关成分分析，计算出能够提取3类疲劳相关成分的空间滤波器组W；(3
‑
2)计算出每一个疲劳类别的所有训练样本的叠加平均值(4)测试阶段：(4
‑
1)使用空间滤波器组W同时对测试样本Y∈R
Nc
×
Nt
和进行滤波，并计算皮尔逊相关系数r
k，k＝1,2,3
；计算公式如下：其中，k＝1,2,3，R表示实数集，Nc表示通道数，Nt表示采样点数，ρ(*,*)表示进行皮尔逊相关系数计算，Y表示测试样本，T表示矩阵的转置运算，W表示空间滤波器组，表示表示中的第k个的转置；(4
‑
2)比较r1、r2、r3的大小，如果r1最大，则判定测试样本Y表示清醒状态，如果r2最大，则判定测试样本Y表示疲劳状态，如果r3最大，则判定测试样本Y表示瞌睡状态。2.根据权利要求1所述基于K
‑
TRCA的脑力疲劳评估方法，其特征在于：所述步骤(2
‑
1)中的P80数值计算方法具体为：通过计算单位时间内瞳孔面积被遮住超过80％的时间t1占单位时间t0的百分比的大小，初步评估大脑疲劳程度；假设瞳孔直径样本集中的某一个数值为d，被试在睁眼静息态的平均瞳孔直径为则瞳孔面积被遮住超过80％的时间t1筛选条件可表示为：3.根据权利要求1所述基于K
‑
TRCA的脑力疲劳评估方法，其特征在于：所述步骤(2
‑
1)中的P80阈值判定标准具体为：当P80≤0.075，清醒状态；当0.075<P80≤0.15，疲劳状态；
当P80>0.15，瞌睡状态。4.根据权利要求1所述基于K
‑
TRCA的脑力疲劳评估方法，其特征在于：所述步骤(2
‑
2)中的K
‑
means算法具体实现如下：中心初始化...

【专利技术属性】
技术研发人员：杨帮华，周雨松，高守玮，夏新星，汪小帆，
申请(专利权)人：上海大学，
类型：发明
国别省市：