技术特征：
1.基于多复杂度减速器装配场景的n-back次任务脑电试验方法，其特征在于包括以下步骤：步骤一：受试者佩戴脑电仪，用于减速器装配试验数据采集；步骤二：受试者按照简单装配任务、一般装配任务、复杂装配任务的顺序，依次完成3种不同复杂度的装配任务；步骤三：对受试者认知负荷进行分类，引入n-back听觉反馈试验，作为减速器装配任务的次任务，依照0-back，1-back，2-back的顺序将次任务分为3级，依次对应低级认知负荷、中级认知负荷、高级认知负荷；步骤四：每位受试者完成装配任务后，填写nasa_tlx量表；随机选择下一位受试者完成试验，直至所有受试者均完成减速器装配试验；步骤五：采集并获取减速器装配试验数据指标，包括主观评价指标tsf、脑电特征指标eeg、装配任务指标wa，并对这些指标进行数据处理；步骤六：构建基于互信息量的随机森林模型，实现了受试者认知负荷的分类评估。2.根据权利要求1所述基于多复杂度减速器装配场景的n-back次任务脑电试验方法，其特征在于：所述步骤一中，按脑电仪规定位置，将电极安置于受试者头部相应位置，并紧贴头皮以保证信号平稳传输，受试者端坐于装配试验台前，按照指定顺序完成减速器装配动作；脑电仪采集的信号能够通过无线蓝牙传输至计算机，完成数据采集工作。3.根据权利要求1所述基于多复杂度减速器装配场景的n-back次任务脑电试验方法，其特征在于：所述步骤三中，n-back听觉反馈试验具体操作步骤为：在受试者装配减速器过程中，每隔一段时间会听到一组语音播报，每组语音播报包括字母“a-i”中的一个随机字母，直至减速器装配任务结束，语音播报停止播放；当次任务难度为0-back时，受试者在听到两组相同字母时回答“正确”；当次任务难度为1-back时，受试者在听到两组相隔一组语音播报的两个字母相同时回答“正确”；当次任务难度为2-back时，受试者在听到两组相隔两组语音播报的两个字母相同时回答“正确”。4.根据权利要求1所述基于多复杂度减速器装配场景的n-back次任务脑电试验方法，其特征在于：所述步骤五中，对指标进行数据处理包括：(1)：主观评价指标与装配任务指标数据处理：对nasa_tlx量表各维度评分结果进行归一化处理，再对各维度处理后的数据进行算术平均，最后将得到的平均值作为主观评价结果；计算公式如下所示：平均，最后将得到的平均值作为主观评价结果；计算公式如下所示：式中：x
i-nasa_tlx量表的第i个维度评分；x
ij-第i个维度的第j行数据；y
ij-x
ij
归一化处理后的数据；z-处理后的主观评分；
(2)：脑电特征指标数据处理：采用脑电数据预处理工具eeglab，依次完成通道定位与删除、信号滤波、基线校正、重参考与降采样、剔除坏段5个步骤，并筛选出0.5～50hz之间的信号波段，利用式(3)～式(6)分别计算出各组脑电信号的均值、标准差、偏度、峰度；再采用7层小波包分解重构，得到α，β，θ波段信号，依据式(7)求出各频率波段的平均功率；(θ-α/β)的变化规律对认知负荷分类有较好的区分度，因此，将其定为认知负荷脑电特征指标之一；有较好的区分度，因此，将其定为认知负荷脑电特征指标之一；有较好的区分度，因此，将其定为认知负荷脑电特征指标之一；有较好的区分度，因此，将其定为认知负荷脑电特征指标之一；有较好的区分度，因此，将其定为认知负荷脑电特征指标之一；式中：a
cd-第d个脑电通道的第c行数据；n-脑电数据总量；μ
d-第d个脑电通道数据的均值；σ
d-第d个脑电通道数据的标准差；a
d
—第d个脑电通道数据；e-数学期望；γ
1d-第d个脑电通道的偏度；γ
2d-第d个脑电通道的峰度；p
e-某波段信号的平均功率，其中，e可选取的范围包括α，β，θ三种节律；a，b-各频段的频率上限和频率下限；p(f)-各节律的功率谱密度；采用wilcoxon非参数检验对脑电特征数据进行显著性检验；(3)：对上述所有指标进行数据标准化处理，计算公式如下所示：
式中：r
o-标准化后的特征数据；x
o-各特征的原始数据；-各特征的均值；s-各特征的样本标准差。5.根据权利要求4所述基于多复杂度减速器装配场景的n-back次任务脑电试验方法，其特征在于：对脑电特征分析表明，脑电数据标准差、脑电数据峰度、α节律平均功率、β节律平均功率、θ节律平均功率和θ-α/β的变化规律与装配认知负荷有明显的关联性，且在不同难度次任务状态下均有规律性变化，能够将其作为操作员认知负荷评价的有效指标。6.根据权利要求1所述基于多复杂度减速器装配场景的n-back次任务脑电试验方法，其特征在于：所述步骤六包括如下步骤：s6.1：构建基础随机森林模型；s6.2：构建决策树相关性度量矩阵，以此判断两决策树之间的相关性，该矩阵由特征集相关性度量矩阵和样本相关性度量矩阵两部分组成，通过对两者进行均值计算，从而获得决策树相关性度量矩阵；s6.2.1：构建特征集互信息系数矩阵：首先，计算两特征之间的互信息量，互信息量是指一个随机变量中包含另一随机变量的信息量，可以有效度量两个随机变量之间的相关性，因此，采用互信息量建立特征集互信息矩阵；随机选择两特征，分别对两特征建立散点图，再对散点图区域进行网格划分，划分为等面积的225个小区域，分别计算出两特征在每个小区域内出现的概率，记为p(x)和p(y)，另将两特征数据分别作为横纵坐标轴，建立联合散点图，用同样的方法画分区域，计算出各区域数据出现的概率，记为p(x，y)，通过式(9)，特征x和特征y之间的互信息量为：其次，计算两特征之间的互信息系数；为进一步提高特征相关性度量准确性，对两特征的互信息量进行正则化处理，即可获得两特征之间的互信息系数；计算公式如下：式中：——特征x与特征y之间的互信息系数；m——特征x或特征y方向上划分的网格数；s6.2.2：构建样本相关性度量矩阵：对已构建的基础随机森林模型中决策树d
p
和d
q
的样本进行相关性计算；输入样本相关性主要考虑两决策树训练子集中相同样本所占比率，即样本相关性可表示为相同样本与总样本的比值，计算公式如下所示：所示：式中：s(d
f
，d
q
)——决策树d
f
，d
q
的样本相关性；g(d
f
，d
q
)——决策树d
f
，d
q
的样本判别函数；
s6.2.3：构建决策树相关性度量矩阵：在决策树d
p
建立过程中，将某节点与上一节点所选特征的互信息系数作为该节点的特征相关性，再将该决策树的所有节点特征相关性的均值作为该决策树的特征相关性，两决策树之间的特征相关性定义为这两棵决策树特征相关性的算术平均值；对已构建的基础随机森林模型中的所有决策树均进行上述计算，即可建立特征集相关性度量矩阵；将特征集相关性度量矩阵与样本相关性度量矩阵进行均值计算，获得决策树相关性度量矩阵；相关性度量矩阵与样本相关性度量矩阵进行均值计算，获得决策树相关性度量矩阵；相关性度量矩阵与样本相关性度量矩阵进行均值计算，获得决策树相关性度量矩阵；dt
c
＝(f
c
+s
c
)/2ꢀꢀꢀꢀ
(16)式中：f
c
——特征集相关性度量矩阵；f
c(d，e)
——决策树d和决策树e之间的特征相关性；——决策树d在第k
t
节点的特征相关性；k
t
——决策树的节点数，k
t
＝1，2，3，...，k
t
；s
c
——样本集相关性。7.根据权利要求6所述基于多复杂度减速器装配场景的n-back次任务脑电试验方法，其特征在于：所述步骤六中，基于互信息量的随机森林模型算法，具体如下：首先，将原始数据采用六折交叉验证方法划分为训练集、测试集与验证集；其次，对训练集样本进行随机采样，建立样本子集与特征子集并构建基础随机森林模型，再对基础随机森林模型中的训练子集与决策树进行相关性计算，构建决策树相关性度量矩阵，利用验证集对每棵决策树进行准确率验证，选出准确率大于70％的决策树，并将其存储记为另选出决策树相关性度量矩阵数据中小于0.5的数据，并将其对应的决策树记为合并和两个集合，并判断其规模是否满足基于互信息量的随机森林模型所需决策树规模，若未达到数量要求，则继续在决策树相关性度量矩阵中选择，直至满足决策树规模；然后，将已选决策树集合中的相同决策树剔除，剩余决策树则构成基于互信息量的随机森林模型；最后，利用测试集对基于互信息量的随机森林模型准确性进行验证。8.根据权利要求6所述基于多复杂度减速器装配场景的n-back次任务脑电试验方法，其特征在于：所述步骤六中，采用随机森林模型、knn算法、支持向量机及组合分类模型4种算法作为基于互信息量的随机森林模型的对比算法，引入总体分类精度a
c
与kappa系数两个评估指标对算法分类结果进行分析：
式中：t
l
——第l类分类正确的个数；n
l
——第l类样本的总量；h——样本总量f
l
——测试样本为第l类分类样本，但预测错误的个数；f
t
——预测结果为第t类，但样本不为第t类的样本数；g——类别总数。
技术总结
基于多复杂度减速器装配场景的N-Back次任务脑电试验方法，包括以下步骤：受试者佩戴脑电仪，用于减速器装配试验数据采集；受试者按照简单装配任务、一般装配任务、复杂装配任务的顺序，依次完成3种不同复杂度的装配任务；引入N-Back听觉反馈试验，作为减速器装配任务的次任务，依照0-back，1-back，2-back的顺序将次任务分为3级，依次对应低级认知负荷、中级认知负荷、高级认知负荷；采集并获取减速器装配试验数据指标，包括主观评价指标、脑电特征指标、装配任务指标；构建基于互信息量的随机森林模型，实现了受试者认知负荷的分类评估。本发明基于互信息量的随机森林模型分类效果显著优于其他分类模型，多维特征可有效降低算法欠拟合能力，提高分类精度。提高分类精度。提高分类精度。
技术研发人员：孟荣华 李子奇 龚成 吴正佳 李浩平 董元发 杜轩
受保护的技术使用者：三峡大学
技术研发日：2022.11.22
技术公布日：2023/3/17