技术特征：
1.一种基于多生理参数的脑力负荷预测方法，其特征在于，所述方法包括下列步骤：s1.获取被测人员的多生理参数，将每一生理参数分别输入至预设的信号处理及特征提取算法；并输出所述多生理参数对应的特征向量，并且，获取所述多生理参数样本和每个多生理参数样本对应的脑力负荷值，将每个多生理参数样本对应的生理参数和脑力负荷值的组合作为一个训练样本，从而得到训练样本集合；s2.基于熵判据的最优重要度特征子集选择，将所述多生理参数输入至预设的熵判据算法，根据所述训练样本集合计算各特征向量的熵判据值，若所述熵判据值大于零，则对应的特征向量保留下来，更新所述训练样本集合；s3.构建基于支持向量回归的回归预测模型，利用所述训练样本集合对所述回归预测模型进行训练；s4.将所述特征向量输入至所述所述回归预测模型，输出特征向量对应的回归数值，根据所述回归数值获取被测人员的脑力负荷数值，对被测人员进行脑力负荷监测。2.根据权利要求1所述的基于多生理参数的脑力负荷预测方法，其特征在于，所述多生理参数包括脑电信号、心电信号和眼动信号；所述信号处理及特征提取算法包括三种独立的面向不同来源生理参数的算法通道，分别用于提取所述脑电信号的特征、所述心电信号的特征、所述眼动信号的特征；所述被测人员为高铁调度员。3.根据权利要求1所述的基于多生理参数的脑力负荷预测方法，其特征在于，所述步骤s1包括：s11.基于离散小波分解的脑电数据特征提取；s12.基于平稳小波变换的心电数据特征提取；s13.基于位置阈值算法的眼动数据特征提取。4.根据权利要求2所述的基于多生理参数的脑力负荷预测方法，其特征在于，所述步骤s11包括：对脑电测试系统采集到的多通道脑波信号，使用eeglab工具包对其进行电极定位、电位重参考、滤波去噪，然后利用离散小波分解的方法提取出脑电中θ，α，β三个波段，计算各波段的能量谱密度作为脑电特征。5.根据权利要求2所述的基于多生理参数的脑力负荷预测方法，其特征在于，所述步骤s12包括：利用平稳小波逆变换进行信号重构，实现信号去噪；去除噪音后，利用差分方法，对心电信号的r波进行标记，提取出r-r间期值作为心率变异性的标志；对数据进行计算，得到时域、频域、非线性特征，作为的特征维度。6.根据权利要求2所述的基于多生理参数的脑力负荷预测方法，其特征在于，所述步骤s13包括：通过位置阈值算法得到注视点集，分别通过如下公式计算注视点个数和平均注视时间。7.根据权利要求1所述的基于多生理参数的脑力负荷预测方法，其特征在于，所述步骤s2包括如下步骤：
s21.对于维空间中的个样本，通过下式计算样本向量和的距离d：其中表示第个特征的标准差，用于消除不同量纲对距离的影响；s22.通过下式计算该两个样本间的相似度：其中是控制相似度衰减的参数，越小，相似度随距离增长而衰减得越快，得到全部两个样本间的相似度，记为样本间的相似度矩阵： ；s23.通过下式计算其中任意两个样本向量和的熵的熵，式中，表示样本向量和之间的相似度；s24.通过下式计算整个系统的平均熵，式中，表示整个系统所有样本向量两两间的熵的个数；对应原始特征集中每个特征，计算剔除该特征后总体平均熵的增加量，作为特征的重要性度量式中，表示剔除特征后系统的平均熵；当时，表示对回归有用的特征被剔除，由此评估各个特征的重要性程度，筛选出重要特征子集。8.根据权利要求1所述的基于多生理参数的脑力负荷预测方法，其特征在于，所述步骤s3中，利用所述训练样本集合对所述支持向量回归模型进行训练，具体包括：将所述训练样本集合输入至所述回归预测模型，输出所述训练样本集合对应的脑力负荷预测值；利用预设的均方误差函数根据所述脑力负荷预测值和所述训练样本集合的脑力负荷值计算误差值；若误差值小于预设阈值，则所述支持向量回归模型训练完成。
9.根据权利要求1所述的基于多生理参数的脑力负荷预测方法，其特征在于，所述步骤s4中，使用回归预测模型对被测人员进行脑力负荷监测，是调用步骤s3中得到并保存的.pickle模型文件，输入生理数据特征，模型输出脑力负荷预测值。10.一种采用如权利要求1-9任意一项所述基于多生理参数的脑力负荷预测方法的基于多生理参数的脑力负荷预测系统，其特征在于，所述系统包括下列部分：数据采集处理模块，用于获取被测人员的多生理参数，将每一生理参数分别输入至预设的信号处理及特征提取算法；并输出所述多生理参数对应的特征向量，并且，获取所述多生理参数样本和每个多生理参数样本对应的脑力负荷值，将每个多生理参数样本对应的生理参数和脑力负荷值的组合作为一个训练样本，从而得到训练样本集合；特征选择模块，基于熵判据的最优重要度特征子集选择，将所述多生理参数输入至预设的熵判据算法，根据所述训练样本集合计算各特征向量的熵判据值，若所述熵判据值大于零，则对应的特征向量保留下来，更新所述训练样本集合；模型构建模块，用于构建基于支持向量回归的回归预测模型，利用所述训练样本集合对所述回归预测模型进行训练；监测模块，用于将所述特征向量输入至所述所述回归预测模型，输出特征向量对应的回归数值，根据所述回归数值获取被测人员的脑力负荷数值，对被测人员进行脑力负荷监测。
技术总结
本发明涉及一种基于多生理参数的脑力负荷预测方法和系统。所述方法包括下列步骤：S1.多模态生理数据数据处理及特征集构建；S2.基于熵判据的最优重要度特征子集选择；S3.基于支持向量回归的回归预测模型构建；S4.使用回归预测模型对高铁调度员进行脑力负荷监测。本发明采集操作者在应急场景处理过程中的多模态生理数据并加以处理，提出了一种基于熵判据的特征选择方法。结果表明，与原始特征集相比，本发明经过特征选择的数据集在SVR模型的回归预测中取得了更好的性能。预测中取得了更好的性能。预测中取得了更好的性能。
技术研发人员：黄康 高扬 李涵秋 刘敬辉 戴贤春 郭湛 李晓宇 刘鑫贵 赵林 李秋芬 杨晨 梁家健 胥红敏 王高磊 韩佳英 柴家欣
受保护的技术使用者：中国铁道科学研究院集团有限公司铁道科学技术研究发展中心
技术研发日：2022.06.15
技术公布日：2022/9/6