人机共驾下基于β脑电特征的情境意识分类系统和

本发明属于情境意识分类领域，具体而言，涉及人机共驾下基于 β脑电特征的情境意识分类系统和方法。 背景技术：1、70%-80%的航空事故可归因于因果链中人的因素，而这其中的88%又涉及到情境意识（situation awareness，sa）问题，人员情境意识的实时测量与精确分类是sa研究的关键问题之一，相关研究可用于支撑复杂工业系统人机共驾方案分工调整的触发机制设计，从而起到提高人与系统集成效能、保障人因安全。2、目前已有的人员情境意识分类系统尚存在以下几方面不足。首先，尽管一些研究指出脑电（electroencephalogram，eeg）特征对sa敏感，但相应系统在对sa敏感的脑电指标选择上尚不够深入且系统；此外，目前的sa分类系统的计算模型大多可解释性较差，无法建立良好的人机信任；最后，目前但尚缺乏十分有效的基于 β波特征的人员sa系统，以应用于人机共驾任务中的sa分类。 3、基于上述情况，设计出一套人机共驾下基于 β脑电特征的情境意识分类系统和方法，能够解决上述不足，以应用于典型人机共驾情境中人员情境意识水平的分类，从而为面向人机共驾方案分工调整的人员情境意识触发设计提供支撑。 技术实现思路1、针对以上缺陷，本发明提供了人机共驾下基于 β脑电特征的情境意识分类系统，包括用于计算得到对情境意识敏感的 β脑电特征的脑电特征计算模块和用于完成典型人机共驾任务下的人员情境意识水平分类的人员情境意识分类模块； 2、脑电特征计算模块包括脑电数据处理子模块和 β脑电特征定义子模块； 3、脑电数据处理子模块用于针对典型人机共驾任务过程中采集脑电信号，完成脑电电极点和数据切片的读取或手动设置；4、 β脑电特征定义子模块用于对脑电数据处理子模块设置的脑电信号计算后，得到人员操作过程中 β脑电特征的指标； 5、人员情境意识分类模块包括数据预处理子模块、模型参数设置子模块和情境意识分类子模块；6、数据预处理子模块用于对 β脑电特征定义子模块输出的 β脑电特征的指标依次进行归一化、标准化、主成分分析处理，并输出为三个主成分pc1、pc2和pc3； 7、模型参数设置子模块根据pc1、pc2和pc3的向量分别进行决策树分裂准则、决策树最深层数、叶节点上所需最小样本数、内部节点分裂所需最小样本数和每个节点处考虑用于拆分的特征的最大数量的设置，以此构建出决策树模型；8、情境意识分类子模块用于根据模型参数设置子模块构建出的决策树模型判定当前人员所处的情境意识水平，并进行输出。9、进一步地，所述脑电数据处理子模块设置的脑电电极点为32个，包括：f7、ft7、t3、tp7、t5、a1、fp1、f3、fc3、c3、cp3、p3、o1、fz、fcz、cz、cpz、pz、oz、fp2、f4、fc4、c4、cp4、p4、o2、f8、ft8、t4、tp8、t6和a2电极点布局；10、数据切片手动设置的参数为1024毫秒、2048毫秒、3096毫秒、4192毫秒和5120毫秒，采用导脑电帽采集对应的国际10-20系统分布的大脑电极点分布的原始数据，通过脑电数据处理子模块对32导或64导脑电帽采集的原始数据进行预处理，通过 β脑电特征定义子模块进行后期 β脑电特征的指标计算。 11、进一步地，所述 β脑电特征的指标包括b1b3_p3即p3电极点的 β1 /β3、tb2_p4即p4电极点的 θ/β2、b1_b2b3_cp4即cp4电极点的 β1 /(β2 +β3 )、b1_b2b3_c4即c4电极点的 β1 /(β2 +β3 )、tas1s2b1_b3_p3即p3电极点的 (θ+α+s1 +s2 +β1 )/β3、tas1s2b1_b3_pz即pz电极点的 (θ+α+s1 + s2 +β1 )/β3、tas1s2b1b2_b3_p3即p3电极点的 (θ+α+s1 +s2 +β1 )/β3、tas1s2b1b2_b3_pz即pz电极点的 (θ+α+s1 +s2 +β1 +β2 )/β3、s2b1b2_b3_cp3即cp3电极点的 (s2 +β1 +β2 )/β3、s2b1b2_b3_p3即p3电极点的 (s2 +β1 +β2 )/β3、s2b1b2_b3_pz即pz电极点的 (s2 +β1 +β2 )/β3、ta_b3_p3即p3电极点的 (θ+α)/β3、ta_b3_pz即pz电极点的 (θ+α)/β3、ta_b3_p4即p4电极点的 (θ+α)/β3、tas1_b3_p3即p3电极点的 (θ+α+s1 )/β3、tas1_b3_pz即pz电极点的 (θ+α+s1 )/β3、tas1_b3_p4即p4电极点的 (θ+α+s1 )/β3、ta_b2b3_p3即p3电极点的 (θ+α)/(β2 +β3 )、ta_b2b3_pz即pz电极点的 (θ+α)/(β2 +β3 )、ta_b2b3_p4即p4电极点的 (θ+α)/(β2 +β3 )、b1b2_b3_cp3即cp3电极点的 (β1 + β2 )/β3、b1b2_b3_cpz即cpz电极点的 (β1 +β2 )/β3、b1b2_b3_p3即p3电极点的 (β1 +β2 )/β3、b1b2_b3_pz即pz电极点的 (β1 +β2 )/β3、tb3_cp4即cp4电极点的 θ/β3、tb3_p3即p3电极点的 θ/β3、tb3_pz即pz电极点的 θ/β3、tb3_cpz即cpz电极点的 θ/β3、t_b2b3_cp4即cp4电极点的 θ/(β2 + β3 )、t_b2b3_cpz即cpz电极点的 θ/(β2 +β3 )、t_b2b3_p3即p3电极点的 θ/(β2 +β3 )、t_b2b3_pz即pz电极点的 θ/(β2 +β3 )、t_b1b2b3_cp4即cp4电极点的 θ/(β1 +β2 +β3 )、t_b1b2b3_p3即p3电极点的 θ/(β1 +β2 +β3 )、t_b1b2b3_pz即pz电极点的 θ/(β1 +β2 +β3 )、t_b1b2b3_p4即p4电极点的 θ/(β1 +β2 +β3 )。 12、进一步地，所述数据预处理子模块对 β脑电特征定义子模块输出的 β脑电特征的指标的计算过程为： 13、将 β脑电特征的指标的计算值定义为x，并将x代入下述方程（1）中进行minmax归一化，得到归一化后的 β脑电特征的指标的计算值，方程（1）为： 14、（1），15、式（1）中，min(x)为选定 β脑电特征的指标的计算值x的最小值，max(x)为选定 β脑电特征的计算值x的最大值； 16、将归一化结果进一步代入下述方程（2）中进行zscore标准化，得到zscore标准化后的 β脑电特征的指标的计算值z，方程（2）为： 17、（2），18、式（2）中，μ为中所有值的平均值，σ为中所有值的标准差；19、将zscore标准化后的结果z分别代入下述的方程（3）、方程（4）和方程（5）中，得到3个主成分pc1、pc2和pc3，20、方程（3）为：21、（3）；22、方程（4）为：23、（4）；24、方程（5）为：25、（5）。26、进一步地，本发明还公开了人机共驾下基于 β脑电特征的情境意识分类方法，包括上述的人机共驾下基于 β脑电特征的情境意识分类系统，还包括以下步骤： 27、s1、通过脑电帽完成脑电信号的采集，并进行储存；28、s2、计算并得到对情境意识敏感的 β脑电特征； 29、s2-1、通过脑电数据处理子模块，用于对步骤s1中储存的脑电信号进行脑电电极点和数据切片的读取或在显示界面处进行手动设置；30、s2-2、对于步骤s2-1中读取出的脑电信号或手动设置后的脑电信号，通过数据预处理子模块进行 β脑电特征的指标的自动计算，得到36个对情境意识敏感的 β脑电特征的计算值，并显示于显示界面； 31、s3、将步骤s2-2计算出的结果输入至人员情境意识分类模块后，得出当前人员所处的情境意识水平分类结果；32、s3-1、数据的预处理；33、s3-1-1、将步骤s2-2得到的36个对情境意识敏感的 β脑电特征的指标的计算值依次进行minmax归一化，得到36个归一化后的 β脑电特征的计算值； 34、s3-1-2、将步骤s3-1-1中得到的36个归一化后的 β脑电特征的指标的计算值进行zscore标准化，并得到标准化后的 β脑电特征的指标的计算值； 35、s3-1-3、将步骤s3-1-2得到的计算值通过主成分分析转化为特征值最大的前三个特征向量，即pc1、pc2和pc3；36、s3-2、进行决策树模型的设置；37、s3-2-1、设置决策树分裂准则；38、s3-2-2、设置决策树最深层数；39、s3-2-3、设置叶节点上所需最小样本数；40、s3-2-4、设置内部节点分裂所需最小样本数；41、s3-2-5、设置每个节点处考虑用于拆分的特征的最大数量；42、s3-2-6、根据步骤s3-2-1至s3-2-5的参数创建决策树模型；43、s3-3、将步骤s3-1-3得到的pc1、pc2和pc3的向量输入至步骤s3-2-6构建的决策树模型中，完成高和低情境意识水平的分类；44、s4、步骤s3-3中得到的当前人员情境意识水平由显示界面展示结果。45、本发明与现有技术相比具有以下有益效果：46、1、提供了一种脑电数据处理子模块，在典型人机共驾任务场景中外接一个脑电数据处理子模块，可以对采集脑电信号完成脑电电极点和数据切片的读取或手动设置，其中电极点包括32个，具体为：f7、ft7、t3、tp7、t5、a1、fp1、f3、fc3、c3、cp3、p3、o1、fz、fcz、cz、cpz、pz、oz、fp2、f4、fc4、c4、cp4、p4、o2、f8、ft8、t4、tp8、t6和a2，数据切片包括1024毫秒、2048毫秒、3096毫秒、4192毫秒和5120毫秒。47、2、提供了人机共驾下基于 β脑电特征的情境意识分类系统，借助模型参数设置子模块的简单决策树模型参数设置后，就能够对典型人机共驾下的人员情境意识水平进行分类。 48、3、提供了人机共驾下基于 β脑电特征的情境意识分类方法，只需输入人员的b1b3_p3、tb2_p4和b1_b2b3_cp4等客观的 β脑电特征值，便可直接完成情境意识水平的分类。 49、4、与传统的人员情境意识水平分类方法相比，采用本发明能够精确、在线判断人员的高、低情境意识类别，可应用于典型人机共驾情境中人员情境意识水平的分类，从而为面向人机共驾方案分工调整的人员情境意识触发设计提供支撑。