[发明专利]基于脑电时序数据测定的高速铁路调度员疲劳预测方法

说明书

本发明公开了一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法，包括：步骤一，行车调度实验，通过64通道脑电仪实时采集被试人员在脑部各电位的全部脑电波参数，包括幅值和频率；步骤二，将幅值由时域分布转化为频域分布。使用快速傅里叶变换(FFT)计算功率谱，并进一步计算功率谱密度。步骤三，PAM聚类‑多元有序Logistic回归计算疲劳度。步骤四，基于LSTM的调度员疲劳度预测；本发明的优点是：提高了调度员疲劳预测的精度和速度。

技术领域

本发明涉及高速铁路调度员疲劳预测技术领域，特别涉及一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法。

背景技术

高铁调度员在高速铁路运营系统中发挥关键作用，调度员的精神状态直接影响调度安全。我国高铁行车调度员作业具有负荷不均匀、环境单一、精神长时间集中的特性。大多数调度员在连续工作3h后开始疲劳，在连续工作7.5h后，疲劳状态更为显著。在工作时间上，高铁行车调度员作业班次实行四班倒，一个作业班次长达12h，并需要昼夜倒班，与现有疲劳研究较为完善的驾驶员、航空管制员有较大差异。

国内外对疲劳识别已有较为成熟的研究，其中脑电信号监测因其直接测量受测人员的大脑活动，在疲劳状态检测中精度最优。对大脑皮层的活动反应主要体现在δ(0.5～4Hz)、θ(4～8Hz)、α(8～13Hz)、β(13～30Hz)四个频段信号能量的变化，一般由通过功率谱密度量化。脑电实验研究发现警觉个体的大脑快波如α和β频段能量增加，疲劳个体的大脑慢波如δ和θ频段的能量增加。随着疲劳的发展，慢波与快波能量的比值会增大，脑电功率谱密度的组合方程θ/β和(θ+α)/(α+β)可作为列车驾驶员的疲劳评价指标。

现有基于脑电信号的疲劳识别与预测的研究多角度验证了脑电信号特征指标与个体疲劳的相关性，但目前基于生理信号对高铁行车调度员疲劳的量化研究较少，也鲜有考虑脑电信号和疲劳发展时序性特征的研究。此外，疲劳状态的确定受限于问卷、量表等主观方法。

考虑到高铁行车调度员工作内容和工作时间的特殊性，因此亟待提出基于脑电时序数据的调度员疲劳度预测方法。基于脑电特征指标对高铁行车调度员疲劳状态进行客观分级，并使用时序分析模型对调度员疲劳度进行预测，可为高铁行车调度员疲劳实时预警系统的研发提供理论支持。

与本发明相关的现有技术一

基于列车或汽车驾驶员的脑电数据的疲劳判定方法。通过脑电仪实时采集脑电信号数据，采用分析软件对采集到的脑电信号数据进行分析并预测被试疲劳度。

大脑皮层的疲劳状态反应主要体现的频段能量的变化，通过功率谱密度量化频段δ、θ、α、β的功率谱密度计算频段能量，进而得到能够反应调度员疲劳状态的脑电特征指标功率谱密度。

使用机器学习、深度学习的方式对脑电功率谱密度进行分析，将主观量表测得的疲劳等级与脑电信号作为输出和输入，训练模型并用于疲劳等级判定或预测。

现有技术一的缺点

一、结合主观量表对被试的疲劳状态进行分级，未制定客观科学的疲劳状态分级方式。

二、指标选取方式缺乏专业针对性，未结合被试人员的实际工作情况，包括工作时间、工作内容等。

三、未考虑疲劳状态与过去时段疲劳度的关系，造成了数据的损失，降低了分级或预测的精度。

与本发明相关的现有技术二

时序分析模型预测算法。其优点是可以保留过去状态的数据，数据挖掘效果更好，在预测领域有广泛的应用。