脑电信号中独立分量特征提取与脑力负荷分类

脑力负荷过高会造成作业绩效下降和人因事故,过低则会造成人力资源浪费,所以研究操作人员脑力负荷状态非常有意义。现有脑力负荷分类方法利用脑电(electroencephalogram, EEG)信号特征进行分类,准确率较低。所以,本文针对视觉和操作类脑力负荷提出一种基于脑电独立分量特征的分类方法,该方法采用独立分量分析(Independent Component Analysis, ICA)对脑电信号进行分离,直接对得到的独立分量提取四种不同频段的能量特征,最后将特征作为支持向量机(Support Vector Machine, SVM)的输入,对脑力负荷进行分类。由于直接使用脑电独立分量特征,所以分类精度高于现有方法,平均分类精度提高29.14%。本文还进一步发现脑电独立分量中存在的眼电伪迹对分类结果没有明显影响。本文提出的方法可以实现快速、准确、自动的脑力负荷分类。     

基于EEG的乘员信息处理作业脑力负荷状态识别模型

脑力负荷状态的准确识别是装甲车辆乘员信息处理作业行为研究的关键技术,对提高人机系统的作战效能具有重要意义。针对乘员作业类型向信息处理作业转变的基本趋势,提出了融合小波包分解（WPD）和快速独立分量分析（FastICA）的脑电信号预处理方法,建立了反映脑力负荷状态的EEG信号特征空间,基于粒子群优化（PSO）算法和支持向量机（SVM）构建了乘员信息处理作业脑力负荷状态识别模型,并面向目标录入典型信息处理作业对识别模型进行了实例应用,旨在为解决乘员信息处理作业脑力负荷的准确识别探索新的途径。结果表明,该模型脑力负荷状态识别的平均正确率可达96%,可实现不同乘员脑力负荷的量化识别,具有良好的预测精度和可重用性。     

基于样本选择的跨被试脑力负荷识别

人体的脑力负荷状态与人机操作工作时的工作效率,人力资源分配以及事故的发生等息息相关,因此研究操作人员的脑力负荷状态具有重要意义。为了解决现有脑力负荷识别方法由于训练集中样本数量过少导致分类效果较差的问题,本文提出了一种基于样本选择的跨被试脑力负荷识别方法。将其他被试的脑电数据作为训练集,参考目标被试的少量历史数据对训练集中的特征数据进行样本选择,实现减少样本数量的同时减少训练集和测试集之间的域差异,之后再通过主成分分析对样本选择后的自适应训练集和目标被试测试集特征进行特征降维,最后再用自适应训练集主成分建立支持向量机分类模型识别测试集样本的脑力负荷状态。结果表明,该方法可以在提高分类效率的同时提高分类精度,实现快速、准确的脑力负荷状态识别。     

基于验证集辅助的脑电信号包裹式降维

当今时代信息技术的高速发展促使人们对人机交互领域投以更多的目光,随时监测操作者脑力负荷情况并依此对操作者的任务工作量进行调整,在当下有着重要意义。有研究表明,脑电信号功率谱密度对于脑力负荷分类任务较为适用,但脑电特征维数较高,极易出现维度灾难。目前机器学习中降维方面应用最广泛的算法为主成分分析(principal component analysis, PCA),针对主成分分析在脑电信号分类上的不适应性和支持向量机(support vector machine, SVM)对特征间关系的敏感性,提出了基于PCA-SVM与逐阶枚举法的包裹式降维方法,在特征工程阶段引入固定验证集概念辅助包裹式降维,以验证集精度为指标调整特征工程方案,以此提高数据降维后的可分性。由于引入了监督学习概念,实验结果表明,基于PCA-SVM与逐阶枚举法降维过后的数据分类精度要普遍高于只依靠传统PCA的降维方式,以此为高维生物电数据降维提供了新思路。     

基于GMDH与回归分析结合方法的飞行员脑力负荷预测研究

脑力负荷是人机系统中人的绩效的一个重要因素,对飞行员脑力负荷展开研究,为飞机驾驶舱设计及其仪表设备的符合性验证提供参考。通过实验得到生理测量、绩效测量、主观测量的各项指标。利用单因素方差分析法提取对飞行员脑力负荷的敏感指标,结果表明：注视频率、注视总时间、眨眼率、平均瞳孔直径变化率、NASA_TLX（NASA Task Load Index）、正确率的主效应显著（P<0.05）。本文采用GMDH（Group Method of Data Handling）与线性回归的结合方法,建立飞行员脑力负荷预测模型,并且得到模型拟合度为85.47%。因此,GMDH与线性回归的结合方法可以较好地预测飞行员脑力负荷。     

基于双子空间PCA降维的脑力负荷分类

人类社会至今的飞速发展使得大量体力劳动被机械工程替代,工作者的任务重心也从体力劳动逐渐转变为脑力劳动,对操作者脑力负荷进行实时评估以增强工作效率在当下有着重大意义。目前人类对于脑力负荷评估共有三种方式,有研究表明,采用生物电信号进行脑力负荷分类效果较其余两种方法更客观。但脑电信号经过特征提取后维数极高,所需数据量和运算量巨大,需要对其进行降维。目前降维方面最广泛运用的两种算法为主成分分析（PCA）和线性判别分析（LDA）。针对PCA的非监督性和LDA的特征冗余敏感性,本文提出一种二分类下基于双子空间主成分分析的降维算法,分别对不同类别的训练集数据进行主成分分析,并将所有训练集数据映射到生成的空间中,再次进行PCA-LDA降维,以此提高降维后数据的可分性。实验结果表明,双子空间PCA-LDA降维算法在二分类任务下测试集精度整体高于单子空间PCA-LDA算法,以此为脑力负荷分类领域和高维数据降维领域提供了新思路。     

基于自适应主成分分析维度寻优的脑力负荷识别

脑力负荷识别对提高作业操作人员工作效率,减少人因事故具有重要意义。然而,由于脑电( electroencephalogram,EEG) 信号的采集是由多通道脑电帽采集的,并且分布在各个频带上,因此经过特征提取得到的特征维度过高,造成后续识别模型复杂度过高。对此,通常使用主成分分析(principal component analysis,PCA)对高维特征向量进行降维处理,但是降维维度的取值很难确定。本文提出了一种基于主成分分析的自适应维度寻优方法,该方法利用实验数据集中高维特征通过分析主成分分析降维后在各个维度的分类精度表现,自适应地找到该实验数据集的最优降维维度,并将该维度应用到同实验的其他实验数据上进行脑力负荷识别。结果表明,该方法可以准确识别出在同实验数据集中通用的最优降维维度,有效提高识别效率。     

飞行员脑力负荷测量指标和评价方法研究进展

首先介绍脑力负荷相关定义、脑力负荷与作业绩效的关系、解决脑力负荷问题的方法,指出脑力负荷问题的破解离不开脑力负荷测量方法的支撑;其次详细分析和综述了近年来国内外飞行脑力负荷测量的新指标、新方法以及主要应用,其中重点综述了脑力负荷的综合测评方法;最后结合飞机驾驶舱显示系统的设计评价,探讨了脑力负荷测评方法研究现状及存在的问题,指出了飞行员脑力负荷测评的未来发展趋势。     

基于心率变异性的飞行员脑力负荷特征

探索五边飞行不同阶段飞行员脑力负荷水平,寻找表征脑力负荷的心电指标。对飞行学员展开五边飞行任务的六自由度模拟飞行实验,测量飞行过程中的脑力负荷水平,采集不同飞行阶段飞行员心电各指标数据,利用因子分析构建飞行员脑力负荷模型,分析和验证不同飞行阶段飞行员脑力负荷的变化特征。结果表明：相比心率指标,心率变异性指标在测量飞行员脑力负荷时具有更高的信度和效度;起飞和上升阶段的脑力负荷处于较低水平并呈下降趋势;巡航阶段的脑力负荷水平较低且变化趋势平滑;进近着陆阶段的脑力负荷水平最高。此外,突发事件会显著影响脑力负荷,引起飞行员脑力负荷的显著增加。     

血管性痴呆患者脑电信号的多通道线性描述符特征研究

为提取能有效区分血管性痴呆(VaD)患者与正常老年人的神经电生理特征标识,采用多通道线性描述符对两组受试者在执行oddball视觉探测任务过程中的脑电(EEG)信号进行特征提取研究.通过对任务状态和平静状态下多通道EEG的3个多通道线性描述符分析表明,在执行探测任务过程中,VaD患者的场强变化率Φ和空间复杂度Ω明显高于正常老年人,而在平静状态下却无显著差异,两组受试人群的有效场强均没有显著差异.分别对比不同受试人群在任务状态和平静状态下的3个描述符,结果表明,两组受试者在任务状态下的有效场强Σ比平静状态明显增高,Φ和Ω明显降低,而且VaD患者3个描述符任务状态相对于平静状态的变化率要明显低于正常老年人.因此,多通道线性描述符可以有效地反映人脑认知功能的衰退,为VaD患者的脑电特征提取提供了一种新的方法.     

物联网节点任务负载量的非对称分配系统设计

在物联网接收数据流速度出现较大波动的情况下,会导致节点任务负载量过大,影响整个物联网的整体性能。当前分配系统大多采用负载均衡策略,忽略了节点间传输数量迅速增加的情况,导致时间延迟和能耗增加。为此,设计了一种新的物联网节点任务负载量非对称分配系统。当物联网节点接收到新的任务后,利用非对称分类策略对任务负载量进行分配,选择最佳转移服务器,以保证节点任务负载量分配过程中通信链路的稳定性,给出服务器选择过程。利用"握手"操作交换物联网节点和服务器的计算能力信息,获取物联网节点和服务器进行负载处理的具体比例,实现非对称分配。实验结果表明,所设计系统能耗和时延较低,有效带宽利用率较高。     

基于脑力负荷预测技术的多乘员舱任务分配方案优选方法

针对信息化条件下装甲车辆舱室乘员人数逐渐减少的基本趋势,对乘员的操作特性进行了分析,并运用多资源理论（MRT）构建了乘员脑力负荷预测模型,提出了基于脑力负荷预测技术的乘员舱任务分配优选方法,并以装甲车辆三乘员减少为两乘员作为实例对方法进行了仿真验证,旨在为解决应急任务条件下的装甲车辆舱室任务分配问题探索新的途径.结果表明,该方法能够清楚地描述乘员全任务过程中脑力负荷的变化情况,对任务分配方案进行量化动态优选,具有较好的优选精度和可重用性.      

基于视觉和操作类脑电信号的脑力负荷分类

针对视觉和操作类任务，提出了一种基于脑电独立分量特征的脑力负荷分类方法.利用独立分量分析法从混合脑电信号中分解获得脑电信号的独立分量，再提取脑电独立分量的4个不同频段的能量特征，并对能量特征进行分类.基于脑电信号特征和脑电独立分量特征分别进行了脑力负荷分类实验，得到平均分类准确率分别为60.52%，86.14%，后者比前者提高了42.33%.     

基于能量分析的装配作业疲劳改善研究

围绕降低装配作业人员疲劳的人因改善问题,研究了人体疲劳分析改善方法.该方法以仿真技术为支撑,通过人体新陈代谢能量消耗值来量化评估装配作业中人体的疲劳程度.通过作业动作的分解及动作参数的获取、基于新陈代谢能量消耗的人体疲劳评估计算、人体疲劳改善、改善方案的仿真验证与实施四个步骤可有效地完成作业的人体疲劳分析与改善.该方法在某汽车制造企业车轮分装工序装配作业的成功应用,验证了其可行性和有效性.     

物流人员舆情指标与生产企业股票波动趋势预测实证研究

以物流专业论坛的交流信息内容作为研究对象,利用语义处理技术构建了反映某类产品的物流人员的工作繁忙程度和情绪状态高低的物流人员情绪综合指标;选取该行业产品的多个生产企业的股票走势合成一个股票指数,通过实证方法检验了同一产品行业的物流人员情绪指标对该类产品生产企业的股票走势具有预测能力.研究表明,情绪指数的波动趋势常常比相应股票综合指数的波动趋势提前40周呈现一致.     

高密度立交出入口区段车流量对驾驶人精神负荷影响

要为明确高密度互通立交行驶环境下,主线车流量对出入口区段驾驶人精神负荷间的影响,在重庆市内环快速路高密度互通立交群进行自然驾驶实车试验,使用Physiolab生理检测仪连续采集驾驶人在行驶过程中的心电数据,用于统计各驾驶人的心率指标变化情况。本次试验基于主成分分析法选择心率变异率指标RMSSD(root mean square of successive differences)、LFnorm(low frequency norm)、HFnorm(high frequency norm)、LF(low frequency)/HF (high frequency)以及心率突变率指标HRMR(heat ratemutation rate)作为驾驶人精神负荷的评价指标,记为主成分F₁和主成分F₂,并建立评价模型。结果表明：驾驶人在小净距立交出入口区段行驶时,立交主线车流量的大小会影响驾驶人的精神负荷;当驾驶人驶入立交主线时,三次模型对入口段车流量与主成分F₂的拟合效果最好,呈开口向上的三次曲线,曲线谷值点出现在2级流量水平处,...