[發(fā)明專利]基于多生理參數(shù)PCA融合的腦力負(fù)荷測量方法

有效

• 申請?zhí)枺?/td>: 201210201512.5
• 申請日: 2012-06-18
• 公開（公告）號: CN102727223A
• 公開（公告）日: 2012-10-17
• 發(fā)明（設(shè)計(jì)）人: 李南南;明東;柯余峰;張迪;付蘭
• 申請（專利權(quán)）人: 天津大學(xué)
• 主分類號: A61B5/16
• 分類號: A61B5/16;A61B5/024;A61B3/11
• 代理公司: 天津市北洋有限責(zé)任專利代理事務(wù)所 12201
• 代理人: 劉國威

1.一種基于多生理參數(shù)PCA融合的腦力負(fù)荷測量方法，其特征是，包括如下步驟：測量心率變異性HRV、瞳孔直徑、皮膚電阻SR三個(gè)生理參數(shù)，利用PCA技術(shù)得出三個(gè)參數(shù)的權(quán)重系數(shù)，根據(jù)參數(shù)融合計(jì)算公式計(jì)算腦力負(fù)荷的參數(shù)融合分值MWS，MWS是mental?workload?score的縮寫，MWS等于各參數(shù)與其權(quán)重之積的和，并將MWS作為腦力負(fù)荷的測量指標(biāo)。

2.如權(quán)利要求1所述的基于多生理參數(shù)PCA融合的腦力負(fù)荷測量方法，其特征是，測量心率變異性HRV、瞳孔直徑、皮膚電阻SR三個(gè)生理參數(shù)是：

1)心率變異性HRV提取：采用傅立葉變換FFT計(jì)算HRV的低頻頻率LF、高頻頻率HF，將LF/HF即低頻與高頻的比值記為P₁，將總功率TP的功率譜密度記為P₂，其中LF頻率變化在0.04~0.15HZ，HF的頻率變化在0.15~0.40HZ，TP表示頻率在0.00~0.40HZ的總頻率變化值；

2)瞳孔直徑特征提取：采用AR模型計(jì)算瞳孔直徑的功率譜密度記為P₃；

3)SR特征提取：采用傅里葉變換FFT，計(jì)算皮膚電阻在0.03~0.5HZ的功率譜密度記為P₄。

3.如權(quán)利要求1所述的基于多生理參數(shù)PCA融合的腦力負(fù)荷測量方法，其特征是，利用PCA技術(shù)得出三個(gè)參數(shù)的權(quán)重系數(shù)是，將提取的四個(gè)特征變量低頻與高頻的比值P₁、總功率TP的功率譜密度P₂、瞳孔直徑的功率譜密度P₃和皮膚電阻的功率譜密度P₄，這四個(gè)特征變量構(gòu)成一個(gè)四維空間，樣本數(shù)為n，對在該四維空間下的所測樣本進(jìn)行變換：設(shè)其原始變量的坐標(biāo)系為P_1a、P_2a、P_3a、P_4a，在對原始坐標(biāo)經(jīng)過坐標(biāo)平移、尺度伸縮、旋轉(zhuǎn)變換后，得到一組新的、相互正交的坐標(biāo)軸v₁、v₂、v₃、v₄，根據(jù)原始變量在新坐標(biāo)系上投影值的方差來確定這四個(gè)特征變量的權(quán)重系數(shù)W₁、W₂、W₃、W₄：

首先對該4個(gè)特征變量進(jìn)行n次觀測得到的觀測數(shù)據(jù)可用下面的矩陣表示：

P=p11p12p13p14p21p22p23p24............pn1pn2pn3pn4---(2-1)]]>

用主成分分析求取特征變量的權(quán)重系數(shù)W₁、W₂、W₃、W₄的步驟如下：

（1）對原始數(shù)據(jù)矩陣P進(jìn)行標(biāo)準(zhǔn)化處理，以消除其量綱、數(shù)量級上的差異，使其具有可比性，然后，用矩陣中的元素減去所在列的均值，然后除以所在列的標(biāo)準(zhǔn)差，使得原始數(shù)據(jù)矩陣P中每個(gè)特征變量變?yōu)榫禐?，方差為1，得到矩陣Y：

Y=[y_ij]_n×4，i=1,2,…,n(2-2)

yij=(pij-pj‾)/Sj---(2-3)]]>

其中，p_ij表示觀測矩陣P中的元素，表示觀測矩陣P所在列的均值；

（2）對標(biāo)準(zhǔn)化后的矩陣Y求協(xié)方差矩陣，Y的每一列對應(yīng)一個(gè)變量的n個(gè)測量值，任意兩列之間可以計(jì)算兩變量間的協(xié)方差，得到協(xié)方差矩陣

Z=S12cov(1,2)cov(1,3)cov(1,4)cov(2,1)S22cov(2,3)cov(2,4)cov(3,1)cov(3,2)S32cov(3,4)cov(4,1)cov(4,2)cov(4,3)S42---(2-4)]]>

cov(k,m)=1n-1Σi=1n(yik-yk‾)(yim-ym‾)---(2-5)]]>

其中k=1,2,3,4，和分別為Y中第k列和第m列的均值，當(dāng)k=m時(shí)，

（3）特征分解：計(jì)算協(xié)方差矩陣Z的特征值和特征向量，由式（2-6）

|Z-λI|=0(2-6)

求出協(xié)方差矩陣Z的4個(gè)特征值并將其按照由大到小排列，λ₁≥λ₂≥λ₃≥λ₄，特征值對應(yīng)的特征向量分別為U₁,U₂,U₃，U₄，則協(xié)方差矩陣Z可以寫成下式：

Z=UΛU^T(2-7)

其中，Λ-Z的特征值按照由大到小所組成的對角陣，T表示轉(zhuǎn)置，λ表示協(xié)方差矩陣Z的特征值，I表示與Z相應(yīng)的單位矩陣，Λ表示由Z的特征值組成的對角矩陣；

U-Z的特征向量按列組成的正交陣，它構(gòu)成了新的矢量空間，作為新變量即主成分的坐標(biāo)軸，又稱為載荷軸；特征值表示新變量即主成分方差的大小；得到的特征向量的方差比前一個(gè)特征向量的更小，也就是依次遞減；特征向量相互正交，即不相關(guān)；

（4）求主成分得分——新的變量值

F_n×m=Y_n×4U_4×m(2-8)

矩陣F_n×m的每一行相當(dāng)于原數(shù)據(jù)矩陣的所有行即原始變量構(gòu)成的向量在主成分坐標(biāo)軸即載荷軸上的投影，這些新的投影構(gòu)成的向量就是主成分得分向量；

由以上步驟求得這四個(gè)特征變量P₁、P₂、P₃、P₄對應(yīng)的權(quán)重系數(shù)W₁、W₂、W₃和W₄；

參數(shù)融合計(jì)算公式具體為：

MWS=W₁P₁+W₂P₂+W₃P₃+W₄P₄，將該參數(shù)融合值作為其檢測指標(biāo)，在后續(xù)的模式識別中作為輸入特征向量。

4.如權(quán)利要求1所述的基于多生理參數(shù)PCA融合的腦力負(fù)荷測量方法，其特征是，采用模糊模式識別對腦力負(fù)荷的大小進(jìn)行判別，具體包括如下步驟：

（1）模糊特征提取由參數(shù)融合計(jì)算公式得到的參數(shù)融合值MWS，根據(jù)一定的模糊化規(guī)則把該參數(shù)融合值MWS分成多個(gè)模糊變量，使每個(gè)模糊變量表達(dá)參數(shù)融合值MWS的某一局部特性，用模糊變量進(jìn)行模式識別；

（2）隸屬函數(shù)建立在模糊特征有效抽取的基礎(chǔ)上，采用模糊分布的方法，通過對上述模糊變量統(tǒng)計(jì)分析描出大致曲線，選擇一個(gè)與給出的幾種分布最接近的一個(gè)，再根據(jù)實(shí)驗(yàn)確定模糊變量的實(shí)際值，從而確定隸屬函數(shù)，模糊分布包括有矩形與半矩形分布、梯形與半梯形分布、正態(tài)分布；

（3）根據(jù)最大隸屬原則對結(jié)果進(jìn)行判別：設(shè)由參數(shù)融合值MWS組成的集合X為所要識別的對象全體，A_i屬于F(X)，F(xiàn)(X)表示X上的模糊子集的全體，i=1,2,3，表示3個(gè)模糊模式即“低度腦力負(fù)荷”、“中度腦力負(fù)荷”和“高度腦力負(fù)荷”；對于X中任一元素x，設(shè)x對于模式A_i的隸屬度為μ_Ak(x)，要識別它屬于哪一個(gè)模式，可按下列原則作判斷，即若μ_Ak(x)=max{μ_A1(x),μ_A2(x),μ_A3(x)}，則認(rèn)為x相對屬于A_k所代表的那一類，從而判斷出腦力負(fù)荷程度。