基于生理信号的危险作业人员心理负荷识别研究

X947; 为识别危险作业岗位作业人员的心理负荷,提高人机系统可靠性,以含能材料起爆作业诱导被试人员心理负荷,采集30名被试人员在静息状态和心理负荷下的心率、脑电图和眼动信号进行心理负荷识别研究.首先,采用配对t检验与秩和检验对采集的心率、脑电图和眼动信号进行统计分析,8种脑电、3种眼动及9种心率特征在静息状态和心理负荷下具有显著变化;其次,对初选获得的生理指标分别采用Pearson 相关分析、最大相关最小冗余(MRMR)算法和主成分分析(PCA)进行特征降维;最后,基于上述3种方法降维处理后得到生理指标采用Logistic Regression,KNN,SVM,XG-Boost,Decisi...

Full description

Saved in:
Bibliographic Details
Published in东北大学学报（自然科学版） Vol. 45; no. 4; pp. 600 - 608
Main Authors 郝锐, 郑欣, 李怡霖
Format Journal Article
LanguageChinese
Published 东北大学 资源与土木工程学院,辽宁 沈阳 110819 15.04.2024
Subjects
physiological signal
心理负荷识别
机器学习
生理信号
hazardous operation
psychological load identification
危险作业
machine learning
Online AccessGet full text

Cover

More Information
Summary:X947; 为识别危险作业岗位作业人员的心理负荷,提高人机系统可靠性,以含能材料起爆作业诱导被试人员心理负荷,采集30名被试人员在静息状态和心理负荷下的心率、脑电图和眼动信号进行心理负荷识别研究.首先,采用配对t检验与秩和检验对采集的心率、脑电图和眼动信号进行统计分析,8种脑电、3种眼动及9种心率特征在静息状态和心理负荷下具有显著变化;其次,对初选获得的生理指标分别采用Pearson 相关分析、最大相关最小冗余(MRMR)算法和主成分分析(PCA)进行特征降维;最后,基于上述3种方法降维处理后得到生理指标采用Logistic Regression,KNN,SVM,XG-Boost,Decision Tree和Random Forest机器学习方法进行心理负荷识别.结果表明,基于MRMR的心理负荷特征选择结果,采用Random Forest机器学习方法具有更好的识别性能(ACC=0.917,SN=1.0,SP=0.857,F1=0.909,AUC=0.971).本研究为有效识别危险作业人员心理负荷提供了理论依据.
ISSN:1005-3026
DOI:10.12068/j.issn.1005-3026.2024.04.018