磨矿过程控制中专家操作人员脑电特征分析

doi:10.12068/j.issn.1005-3026.2017.06.014

东北大学学报:自然科学版 ›› 2017, Vol. 38 ›› Issue (6): 828-833.DOI: 10.12068/j.issn.1005-3026.2017.06.014

磨矿过程控制中专家操作人员脑电特征分析

张驰¹，卢绍文²，王宏^2,3，王宏^1*

(1. 东北大学机械工程与自动化学院，辽宁沈阳110819； 2. 东北大学流程工业综合自动化国家重点实验室，辽宁沈阳110819； 3. 曼彻斯特大学自动化中心，英国曼彻斯特M60 1QD)

收稿日期:2015-01-03 修回日期:2015-01-03 出版日期:2017-06-15 发布日期:2017-06-11
通讯作者: 张驰
作者简介:张驰(1987-)，男，辽宁新民人，东北大学博士研究生；王宏(1960-)，男，甘肃庆阳人，东北大学和曼彻斯特大学教授，博士生导师，中组部第一批“千人计划”入选者；王宏(1960-)，女，辽宁沈阳人，东北大学教授，博士生导师.
基金资助:
辽宁省创新团队资助项目(LT2014006)；流程工业综合自动化国家重点实验室开放课题(PAL-N201304).

EEG Feature Analysis of Expert Operators in Grinding Process Control

ZHANG Chi¹， LU Shao-wen²， WANG Hong^2,3， WANG Hong^1*

1. School of Mechanical Engineering & Automation， Northeastern University， Shenyang 110819， China； 2. State Key Laboratory of Synthetical Automation for Process Industries， Northeastern University， Shenyang 110819， China； 3. Control Systems Centre， The University of Manchester， Manchester M60 1QD， UK.

Received:2015-01-03 Revised:2015-01-03 Online:2017-06-15 Published:2017-06-11
Contact: WANG Hong^*
About author:-
Supported by:
-

摘要/Abstract

摘要： 面向选矿生产系统的优化和智能升级，为进一步保证产品的质量和产量，针对磨矿过程中操作人员行为因素的评定和量化问题，提出一种基于脑电信号(EEG)特征的实时分析方法.首先采用小波分解的方法提取大脑不同脑区的δ，θ，α和β波节律.然后通过小波各尺度的能量序列、分布计算不同脑区EEG的小波熵，根据小波熵的熵值比较确定待分析的脑区.根据小波时频分析的结果确定谱特征 (α+β)/(δ+θ+α+β)，最后采用B样条拟合及滑动窗，进行实时评定.结果表明，提出的量化指标可以在一定程度上反映操作输出的粒度曲线的变化趋势，能够较为客观地评定操作人员的行为因素.

关键词: 磨矿过程, 脑电信号, 小波熵, 时频分析, B样条曲线

Abstract: In the context of systematic optimization and intelligent upgrade of the mineral production， the assessment and quantification of the operators’ behavioral factors need to be investigated to further enhance productivity and quality of the products. A real-time analysis method based on the electroencephalography (EEG) characteristics was presented in grinding process. To begin with， the δ， θ， α， and β rhythms in different brain regions were extracted using wavelet decomposition. Then the wavelet entropy can be obtained by calculating the energy sequence distribution of different wavelet coefficient vectors. According to the comparison of the entropy values， the specific brain region was selected. Through wavelet time-frequency analysis， (α+β)/(δ+θ+α+β) was determined as the spectral characteristic. Finally， the results of real-time analysis using B-spline curve and sliding window showed that the physiological indicators can reflect the trend of the granularity curves and assess the operators’ influence factors objectively to some extent.

Key words: grinding process, EEG, wavelet entropy, time-frequency analysis, B-spline curve

中图分类号:

R318

张驰，卢绍文，王宏，王宏*. 磨矿过程控制中专家操作人员脑电特征分析[J]. 东北大学学报:自然科学版, 2017, 38(6): 828-833.

ZHANG Chi， LU Shao-wen， WANG Hong， WANG Hong*. EEG Feature Analysis of Expert Operators in Grinding Process Control[J]. Journal of Northeastern University:Natural Science, 2017, 38(6): 828-833.

参考文献

[1]Zhang C，Wang H，Fu R R.Automated detection of driver fatigue based on entropy and complexity measures［J］.IEEE Transactions on Intelligent Transportation Systems，2014，15(1):168-177.
[2]Zeng K，Yan J Q，Wang Y H，et al.Automatic detection of absence seizures with compressive sensing EEG［J］. Neurocomputing，2016，171:497-502.
[3]Peng Y，Lu B L.Discriminative manifold extreme learning machine and applications to image and EEG signal classification［J］.Neurocomputing，2016，174:265-277.
[4]Acharya U R，Molinari F，Sree S V，et al.Automated diagnosis of epileptic EEG using entropies［J］.Biomedical Signal Processing and Control，2012，7(4):401-408.
[5]Acharya U R，Sree S V，Suri J S.Automatic detection of epileptic EEG signals using higher order cumulant features［J］.International Journal of Neural Systems，2011，21(5):403-414.
[6]Akar S A，Kara S，Agambayev S，et al.Nonlinear analysis of EEGs of patients with major depression during different emotional states［J］.Computers in Biology and Medicine，2015，67:49-60.
[7]Takahashi T，Cho R Y，Mizuno T，et al.Antipsychotics reverse abnormal EEG complexity in drug-naive schizophrenia:a multiscale entropy analysis［J］.NeuroImage，2010，51:173-182.
[8]Shannon C E.A mathematical theory of communication［J］.Bell System Technical Journal，1948，27:379-423.
[9]Bayｌndｌr C.Early detection of rogue waves by the wavelet transforms［J］.Physics Letters A，2016，38(1/2):156-161.
[10]罗静，钟佑明.小波包时频分析方法的研究及应用［J］.重庆邮电大学学报(自然科学版)，2009，21(3):379-387.(Luo Jing，Zhong You-ming.Research and application of wavelet packet time-frequency analysis［J］.Journal of Chongqing University of Posts and Telecommunications (Natural Science)，2009，21(3):379-387.)
[11]叶柠，孙宇舸.基于EEG小波包子带能量比的疲劳驾驶检测方法［J］.东北大学学报(自然科学版)，2012，33(8):1088-1092.(Ye Ning，Sun Yu-ge.A fatigue driving detection method based on wavelet packet sub-band energy ratio of EEG［J］.Journal of Northeastern University(Natural Science)，2012，33(8):1088-1092.)
[12]Bozhokin S V，Suslova I B.Wavelet-based analysis of spectral rearrangements of EEG patterns and of non-stationary correlations［J］.Physica A:Statistical Mechanics and Its Applications，2015，421:151-160.
[13]铁鸣，范玉顺，柴天佑.磨矿流程优化控制的分布式仿真平台［J］.系统仿真学报，2008，20(15):4000-4005.(Tie Ming，Fan Yu-shun，Chai Tian-you.Distributed simulation platform for optimizing control of mineral grinding process［J］.Journal of System Simulation，2008，20(15):4000-4005.)

[1]	王翘秀，王宏，胡佛，化成城. 基于脑区社团结构的恐高程度识别模型[J]. 东北大学学报（自然科学版）, 2021, 42(3): 381-388.
[2]	常文文，王宏，化成城，王翘秀. 基于有向网络的人物信息诱发脑电信号特征[J]. 东北大学学报:自然科学版, 2019, 40(1): 1-6.
[3]	王琳，化成城，姜鑫，王宏. 基于颈腰部肌电及脑电信号的疲劳驾驶检测[J]. 东北大学学报:自然科学版, 2018, 39(1): 102-107.
[4]	谢翌，刘坤. 环形混合器混合排气系统气动形面的优化设计[J]. 东北大学学报:自然科学版, 2017, 38(11): 1607-1612.
[5]	黄璐，王宏. 基于盲反卷积的脑电信号盲分离研究[J]. 东北大学学报:自然科学版, 2016, 37(8): 1100-1103.
[6]	刘冲，于清文，陆志国，王宏. 基于最小二乘支持向量机的脑电信号分类[J]. 东北大学学报:自然科学版, 2016, 37(5): 634-637.
[7]	秦岩，代伟，杨杰，周平. 基于软PLC技术的磨矿过程运行控制系统及实验[J]. 东北大学学报:自然科学版, 2015, 36(3): 309-314.
[8]	韩凌，王宏，李春胜. 基于多变量希尔伯特频域模型的癫痫发作预测[J]. 东北大学学报:自然科学版, 2015, 36(10): 1383-1387.
[9]	卢绍文. 磨矿破裂过程的蒙特卡洛仿真方法研究[J]. 东北大学学报:自然科学版, 2014, 35(6): 770-774.
[10]	王福旺，王宏，罗旭. 基于EEG与EOG信号的疲劳驾驶状态综合分析[J]. 东北大学学报:自然科学版, 2014, 35(2): 175-178.
[11]	叶柠;孙宇舸;. 基于EEG小波包子带能量比的疲劳驾驶检测方法[J]. 东北大学学报(自然科学版), 2012, 33(8): 1088-1092.
[12]	颜世玉;王宏;刘冲;赵海滨;. 基于小波方差的运动想象脑电信号特征提取[J]. 东北大学学报(自然科学版), 2012, 33(7): 934-937.
[13]	刘冲;赵海滨;李春胜;王宏;. 基于CSP与SVM算法的运动想象脑电信号分类[J]. 东北大学学报(自然科学版), 2010, 31(8): 1098-1101.
[14]	孙宇舸;叶柠;于艳波;. 基于右腿驱动技术的脑电信号放大器的设计[J]. 东北大学学报(自然科学版), 2010, 31(6): 777-781.
[15]	叶柠;孙宇舸;王旭;. 基于共空间模式和神经元网络的脑-机接口信号的识别[J]. 东北大学学报(自然科学版), 2010, 31(1): 12-15.

磨矿过程控制中专家操作人员脑电特征分析

EEG Feature Analysis of Expert Operators in Grinding Process Control

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价