检索历史 清除

摘要脑力负荷(Mental Workload，MWL)表征工作状态下脑力资源占用率，是影响作业绩效的重要因素，合适的脑力负荷会显著提高作业人员在工作中的效率。脑电可以敏感的反应大脑中脑力负荷变化带来的神经电响应，是当下研究的热点，该技术的突破有助于脑力负荷与实际功效系统(比如自适应自动化)的融合。本文基于无人机模拟平台研究无人机操控任务中作业人员脑力负荷与脑电的关系，从前端的多模态生理信号同步采集平台的搭建、实验设计、脑电信号的处理、脑负评估模型与平台的构建4个方向开展研究建立一套完整的脑力负荷评估系统。<br>　　多模态生理信号同步采集平台针对如何同步采集到高质量的心电、肌电、脑电信号的问题进行设计。模拟电路建立了一种新的放大滤波结构，增加了生理信号的信噪比，解决了基线漂移、极化电压等问题，是整个系统的核心部分；电源电路除解决供电问题外特殊考虑了安全问题，保障信号采集的安全性；数字电路、上位机、下位机设计解决了信号同步问题。该平台的搭建为研究开展提供可靠的数据。<br>　　实验设计分为两个部分，脑负荷实验以主观量表法与任务绩效法为辅助，基于Phoenix RC无人机模拟仿真系统，设计实验诱发不同等级的脑力负荷。经过统计计算，不同脑负荷实验下的任务绩效与主观量表评分均存在显著差异，实验设计合理有效。噪声实验设计基于已有研究确定脑电主要的干扰源信号，通过引导被试完成特定动作诱发噪声，采集噪声源信号以及噪声传播到头皮上的信号，进行分析研究开发出一套针对少通道(数量小于16)的完全自动化的脑电噪声处理算法。<br>　　对实验数据处理分析，探究脑电活动与脑力负荷之间的关系，并建立跨时间段、跨个体的脑力负荷识别模型，其中基于功率谱、互信息特征的支持向量机(support vector machine,SVM)模型脑力负荷识别准确率可达到92.6%,该算法计算时间短、实时性强，应用于脑负荷的实时评估。基于集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)与递归图的迁移学习模型脑力负荷识别准确率可以达到92.8%，该算法准确率高、稳定，应用于脑力负荷的离线评估。<br>　　综上，本研究完整的搭建了一套无人机操控任务中脑力负荷的自动化评估系统。