[发明专利]一种基于K-TRCA的脑力疲劳评估方法

说明书

本发明公开了一种基于K‑TRCA的脑力疲劳评估方法，预处理阶段：对空缺的数据段用“0”填充；对原始脑电数据滤波，去除眼电伪迹；获取瞳孔直径数据样本集和脑电数据样本集；标定阶段：计算所有瞳孔数据样本的P80数值，获取初始聚类中心；基于K‑means算法对瞳孔数据样本集进行重新聚类，获取脑电数据样本集。训练阶段：使用TRCA算法对样本进行训练，计算出空间滤波器组和训练样本平均值；测试阶段：对测试样本和样本平均值进行滤波，并计算皮尔逊相关系数，判断测试样本的类别。本发明通过P80阈值判定法结合K‑means聚类算法对眼动数据进行标定，保证了疲劳类别划分的客观性和准确性，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。

技术领域

本发明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-relevantComponent Analysis，TRCA)算法对快速序列视觉呈现(Rapid Serial VisualPresentation，RSVP)弱小目标检测任务下诱发的脑力疲劳进行识别的方法。

背景技术

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。

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。

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。

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。

发明内容

本发明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。

为了实现上述目的，本发明的技术解决方案是：

一种基于K-TRCA的脑力疲劳评估方法，包括如下操作步骤：

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：

(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；