CN104665849B - 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 - Google Patents

Abstract

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。

Description

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

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

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。

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。

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

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。

本发明的目的是通过如下的手段实现的。

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***，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x_j，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；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＝{x₁，x₂，，x₃，…x_q，}；

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。

所述信息融合阶段，也可采用预设阀值，当综合融合特征值小于阀值时判断为非应激状态，大于阀值时判断为判断应激状态。

与现有技术相比，本发明综合考虑脑电、心电、眼动三种信号和BP神经网络模型、和SVM支持向量机模型、HMM马尔可夫模型三种模型，BP神经网络具有极强的非线性映射能力及对外界输入样本有很强的识别与分类能力，SVM支持向量机模型在解决小样本、非线性及高维模式识别问题有特有的优势，HMM在模式识别领域有很成功的应用，基于这三种模型最后得出的应激特征指标具有更高的精准性与可靠性。

本发明所采用的技术方案包括信息采集模块、特征选择模块、模型训练模块、信息融合模块。

附图说明

图1多生理信号多模型交互的高铁调度员应激检测模块图

图2多生理信号多模型交互的高铁调度员应激检测流程图

图3脑电信号采集装置图

图4心电采集示意图

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。需要说明的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明应用场景的限定。另外，为了便于描述，附图中仅出示了与本发明相关的部分而非全部内容。

实现本发明信息采集的硬件基础：信息采集模块

该模块包括高铁调度员脑电信号收集装置、心电采集装置，眼动采集装置。

高铁调度员脑电信号收集装置包括导联脑电电极、信号放大器，滤波器、处理器与脑电信号存储装置。

高铁调度员脑电信号收集装置实时收集高铁调度员工作时的脑电信号，并将脑电信号输出到放大器，放大器用于放大脑电信号，并将放大的脑电信号输出到滤波器；滤波器用于过滤掉无用的信号，并将过滤后的信号输出到处理器。

心电采集装置包括心电采集装置电极，心率传感器、信号放大器、滤波器、处理器。

眼动采集装置为眼动仪，收集调度员的眼动数据。

这样，用脑电、心电、眼动装置分别采集高铁调度员在应激状态和非应激状态下的脑电、心电、眼动数据。以下为数据处理的具体方法：

1.特征选择

特征选择的目的是从大量的特征中选出部分有效的特征或形成少数新特征，以有效地描述模式结构或提高各类样品的可分离性，从而节省人力物力，以取得更好的经济效益。

本发明利用K-W(kruskal and walis)检验方法从原有特征中选出部分较好的特征，舍弃效果较差的特征。K-W(kruskal and walis)检验是一种常用的单个特征选择方法。其优点在于：1)实现起来较方便，计算量小，花费少；2)它从原特征中选出部分特征，因此较直观，物理意义也更清楚。

脑电导联电极采用32导脑电采集***，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：

为提高识别精度，同时减少特征向量维度，降低数据运算负荷量，需从多项脑电参数中，选取若干参数作为应激检测特征指标。具体做法为，对于任意的一项参数x_j，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，n_i为第i个样品；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＝{x₁，x₂，，x₃，…x_q，}。

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。对三种模型予以训练和测试。

其中BP神经网络模型的训练为神经网络在外界输入样本的刺激下不断改变网络的连接权值，以使网络的输出不断地接近期望的输出。

其采用误差反向传播(BP)调整权系数训练神经网络，从而使总误差逐渐减小，完成网络模型训练。

对于SVM支持向量机模型训练，随机地从候选样本集中选择少量样本并标注它们的类别，构造初始训练样本集，确保初始训练样本集中至少包含有一个正例样本和一个负例样本。利用初始训练样本集训练一个分类器。在该分类器下，采用某种采样算法，从候选样本集中选择最有利于分类器性能的样本，标注类别并加入到训练样本集中，重新训练分类器。重复此过程，直到候选样本集为空或达到某种指标。最终找到合适的非线性映射函数。

对于HHM马尔可夫模型训练，调整模型参数，使得输出概率最大。

1.初始模型(待训练模型)λ₀，

2.基于λ₀以及观察值序列X,训练新模型λ，

3.如果log P(X/λ)-logP(X/λ₀)＞δ,说明训练已经达到预期效果，算法结束。

4.否则，令λ₀＝λ，继续第2步工作。

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

信息融合是对多个传感器数据进行多级别、多方面、多层次的处理，即组合或融合来自多个传感器或其他信息源的数据，以获得综合的，更好的估计。

分别对基于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。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。

该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。如对于脑电数据分别用三种模型辩识器将产生三种识别结果，对三种模型给予不同的权重值，对三种识别结果进行加权平均，得到融合后的识别结果。再给脑电、心电、眼动给予不同的权重，算出其总的融合识别结果，根据最终的融合融合特征识别结果判断高铁调度员的应激状态。

实施例一

如图1、2所示，本实例提供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。

本发明所采用的技术方案包括信息采集模块100、特征选择模块200、模型训练模块300、信息融合模块400。

步骤一

信息采集模块包括高铁调度员实时脑电信号收集装置101、心电信号收集装置102、眼动数据采集装置103。

1.脑电信号采集装置101如图3所示包括：导联脑电电极、放大器、滤波器、计算机和液晶显示屏。

导联脑电极的输出端与所述放大器的输入端相连，所述放大器的输出端与所述滤波器的输入端相连，所述滤波器的输出端与所述处理器相连，所述处理器的输出端与液晶显示屏相连。

导联脑电电极用来连接驾驶实验人员，采取高铁调度员脑电信号，采用32导脑电采集***(Brain Products，GmbH，Munich，Germany)对EEG数据进行连续采集。记录电极参照国际脑电学会10/20标准***(Fisch，2000；Stern&Engel，2005)，所有电极以FCZ电极为物理参考，同时记录眼电信号。头皮与电机之间的阻抗小于5kΩ，记录带宽为0.5—100Hz，采样率为1000Hz，并将脑电信号输出到放大器；

放大器用于对所述信号进行放大，并将放大后的信号输出到所述滤波器，由于脑电信号是一种极其微弱的生物电信号，在采集信号后，需要对信号进行放大，从而可以排除一定范围的干扰信号。

滤波器用于对所述放大后的信号进行过滤，并将过滤后的信号输出到所述处理器，脑电采集的过程不可避免的要受到心电噪声、设备噪声等噪声的影响。所以，对脑电数据进行滤波十分重要。

处理器用于对过滤后的脑电信号进行预处理、伪迹去除等。

液晶显示器用来显示EEG波形图。

2.心电采集装置102包括电极，心率传感器、信号放大器、滤波器、处理器。

电极连接心率传感器的输入端，心率传感器的输出端连接信号放大器的输入端，信号放大器的输出端与滤波器的输入端电连接，滤波器的输出端与处理器连接。其中电极的与调度员的连接方式如图4所示,采用三导联体系，三导联线缆包含RR右臂、LR左臂、和RL右腿三根导联线，其中导联LR极接左上肢，RR接右上肢，组成双极导联。当心电兴奋从右向左传导时，左上肢电极片的电压比右上肢电极片的电压高，会产生一正向心电波形。

3.眼动采集装置103为眼动仪，收集调度员的眼动数据。

用脑电、心电、眼动装置分别采集高铁调度员在应激状态和非应激状态下的脑电、心电、眼动数据。

步骤二

特征选择模块200

特征选择是指从已提取的原有特征中进一步形成或选出少数有效特征的过程。选择的标准是只用少数特征就能描述模式结构及提高各类样品的可分离性。选择的方式大致可分为两类：单个特征选择和降维映射。前者从原有特征中选出部分特征，后者指对各原有特征进行某种变换以得到新的特征。本专利采用K-W检验方法，单特征选择方法。该方法算法如下：

1.对全部样品，依每个样品第j下特征的值，按从小到大的顺序给每个样品编号。

例如，X_j值最小的样品可编号为1，次小的样品可编号为2，如此继续，最后一个编号为N的样品是值最大的那下样品。

若有n个样品所对应的X_j值相同，对这几个样品随机编号。例如，前3个号已经排出，而当前取值最小的样品值有三个，它们的X_j值相等，则可随规地把其中一个样品排为4号，余下的两个样品再随机机抽一个排为5号，最后剩下的一个排为6号。

2.每类中各样品编号的平均值，分别记为

3.计算统计量m，公式为:

m满足自由度为K一1的X²分布。

上式括号中(N+1)/2是全体样品编号的均值，而是第i类编号的均值，因此m量度的是各类间的离差。m愈大，表示类间离差差愈大，即各类可以较好地分开。因此，我们认为m愈大的特征x_j，其分类能力愈强。

用K-W(kruskal and walis)检验对脑电、心电、眼动提取的特征进行单个特征选择，从中选择能力相对较好的特征。

步骤三

模型训练300

随机抽取75％的样本作为训练样本，25％的样本作为测试样本。对三种模型予以训练和测试。

其中BP训练原理

利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。

第一步，网络初始化

给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值ε和最大学习次数M。

第二步，随机选取第k个输入样本及对应期望输出。

x(k)＝(x₁(k),x₂(k),…,x_n(k))

d_o(k)＝(d₁(k),d₂(k),…,d_q(k))

第三步，计算隐含层各神经元的输入和输出。

ho_h(k)＝f(hi_h(k))h＝1,2,…,p

yo_o(k)＝f(yi_o(k))o＝1,2,…q

第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δ_o(k)。

第五步，利用隐含层到输出层的连接权值、输出层的δ_o(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δ_h(k)。

第六步，利用输出层各神经元的δ_o(k)和隐含层各神经元的输出来修正连接权值w_ho(k)。

第七步，利用隐含层各神经元的δ_h(k)和输入层各神经元的输入修正连接权。

第八步，计算全局误差。

第九步，判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习。

变量定义:输入向量；x＝(x₁,x₂,…,x_n)隐含层输入向量；x＝(x₁,x₂,…,x_n)

隐含层输出向量；ho＝(ho₁,ho₂,…,ho_p)输出层输入向量；yi＝(yi₁,yi₂,…,yi_q)

输出层输出向量；yo＝(yo₁,yo₂,…,yo_q)期望输出向量；d_o＝(d₁,d₂,…,d_q)

输入层与中间层的连接权值:w_ih隐含层与输出层的连接权值:w_ho

隐含层各神经元的阈值:b_h输出层各神经元的阈值:b_o

样本数据个数:k＝1,2,…m激活函数:f(·)

误差函数：

主动学习的SVM具体的算法描述如下:

1.根据初始条件构造初始训练样本集，保证至少包含有一个正例样本和一个负例样本。

2.根据已知训练样本集寻找最优分类超平面，设计SVM分类器。

3.如果与分界面邻近的缝隙中仍有样本点，则选择离分类边界最近的样本进行评价，将该样本加入训练样本集，并回到第2步。

4.从全部训练样本中重复随机选择一个样本进行评价，并将该样本加入训练集(对已评价过的样本只计数，不用再次评价)，利用分类器对样本进行评价，若分类器的评价结果与真实评价不一致，则回到第2步。

5.重复第4步，若连续N次评价一致，算法停止。

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。

对于HHM马尔可夫模型训练，调整模型参数，使得输出概率最大。

1.初始模型(待训练模型)λ₀，

2.基于λ₀以及观察值序列X,训练新模型λ，

3.如果log P(X/λ)-logP(X/λ₀)＞δ,说明训练已经达到预期效果，算法

结束。

4.否则，令λ₀＝λ，继续第2步工作。

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。

应激识别特征向量样本输入训练好的模型输出两种识别结果。

步骤四

信息融合400

信息融合是对多个传感器数据进行多级别、多方面、多层次的处理，即组合或融合来自多个传感器或其他信息源的数据，以获得综合的，更好的估计。

分别对基于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。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。

该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。如对于脑电数据分别用三种模型辩识器将产生三种识别结果，对三种模型给予不同的权重值，对三种识别结果进行加权平均，得到融合后的识别结果。再给脑电、心电、眼动给予不同的权重，算出其总的融合识别结果，根据最终的融合融合特征识别结果判断高铁调度员的应激状态。

Claims (2)

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***，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x_j，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；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＝{x₁,x₂,,x₃,…x_q,}；

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，当综合融合特征值小于阀值时判断为非应激状态，大于阀值时判断为应激状态。