东北大学学报（自然科学版） ›› 2024, Vol. 45 ›› Issue (4): 600-608.DOI: 10.12068/j.issn.1005-3026.2024.04.018
• 资源与土木工程 • 上一篇
郝锐, 郑欣, 李怡霖
收稿日期:2022-11-11
出版日期:2024-04-15
发布日期:2024-06-26
作者简介:郝 锐（1999-），女，陕西渭南人，东北大学硕士研究生基金资助:Rui HAO, Xin ZHENG, Yi-lin LI
Received:2022-11-11
Online:2024-04-15
Published:2024-06-26
摘要：
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.
中图分类号:
郝锐, 郑欣, 李怡霖. 基于生理信号的危险作业人员心理负荷识别研究[J]. 东北大学学报（自然科学版）, 2024, 45(4): 600-608.
Rui HAO, Xin ZHENG, Yi-lin LI. Research on Identifying the Psychological Load of Operators in Hazardous Operations Based on Physiological Signals[J]. Journal of Northeastern University(Natural Science), 2024, 45(4): 600-608.
图1 心理负荷识别流程图
Fig.1 Flow chart of psychological load identification
图2 心理负荷诱导实验流程图
Fig.2 Flow chart of the psychological load induction experiment
| 类型 | 指标 | 单位 | 表征含义 |
|---|---|---|---|
| 眼动指标 | 瞳孔直径 | mm | 可以反映自主神经系统的活动，特别是交感神经系统的反应.在心理负荷增加时，瞳孔直径通常会扩大 |
| 注视时间 | ms | 指个体在特定目标或位置保持注视的持续时间，反映信息可理解性或吸引性，信息识别越困难或用户越感兴趣，注视的时间越长，随着任务需求的增加，注视时间可能会减少 | |
| 眨眼频率 | 次/min | 单位时间内眨眼次数，表征任务难度或满意度，眨眼频率越高则说明疲劳或情绪消极或搜索任务越简单，在心理负荷增加的情况下，眨眼频率通常会降低 | |
| 心率指标 | VLF | ms2 | 极低频功率（0.003 3~0.04 Hz），反映体温的调节 |
| HF | ms2 | 高频功率（0.15~0.4 Hz），主要反映副交感神经系统的活动 | |
| LF | ms2 | 低频功率（0.04~0.15 Hz），与交感神经系统的活动有关，反映身体对压力的生理反应，LF的下降可以反映时间压力或情感压抑程度的增加 | |
| LF/HF | — | 评估交感和副交感神经系统平衡的一个指标 | |
| HFnorm | Nu | 归一化高频功率 | |
| LFnorm | Nu | 归一化低频功率 | |
| pNN20 | % | 相邻心跳间隔相差超过20 ms的间隔个数占总个数的百分比，是评估副交感神经系统功能的敏感指标 | |
| pNN50 | % | 相邻心跳间隔相差超过50 ms的间隔个数占总个数的百分比，是评估副交感神经系统功能的敏感指标，反映了心跳间隔的不规律性 | |
| SDNN | ms | 全部RR间期的标准差，评价整体HRV大小，反映心率的缓慢变化，是评估交感神经系统功能的敏感指标 | |
| SDSD | ms | 相邻RR间期之间差值的标准差，用于量化相邻心跳间隔变化的一致性，反映了心率的短时变异性 | |
| RMSSD | ms | 相邻RR间期之间差值的均方根值，是衡量心跳间隔短时变异性的指标 | |
| Mean HR | 次/min | 平均心率 | |
| Mean IBI | ms | 2次连续心跳之间的平均时间间隔，即RR间期，IBI（n）=R（n+1）-R（n） | |
| 脑电指标 | Delta | — | 1~3.5 Hz，20~200 μV，频率较低而振幅较大，在睡眠研究中通常与慢波睡眠相关，健康成年人深度睡眠阶段开始出现 |
| Theta | — | 4~8 Hz，10~50 μV，与注意力控制机制、学习和记忆功能相关，通常随着认知活动的增加而增强 | |
| Alpha | — | 8~12 Hz，成年人幅度在50 μV左右，松弛或闭眼、清醒状态时明显 | |
| Beta | — | 13~30 Hz，5~20 μV，注意力集中或情绪紧张时出现较多 | |
| Gamma | — | >30 Hz，频率最大的波段，与注意力相关，清醒状态不常见 |
表1 特征指标及其生理学意义
Table 1 Characteristic indicators and their physiological significance
| 类型 | 指标 | 单位 | 表征含义 |
|---|---|---|---|
| 眼动指标 | 瞳孔直径 | mm | 可以反映自主神经系统的活动，特别是交感神经系统的反应.在心理负荷增加时，瞳孔直径通常会扩大 |
| 注视时间 | ms | 指个体在特定目标或位置保持注视的持续时间，反映信息可理解性或吸引性，信息识别越困难或用户越感兴趣，注视的时间越长，随着任务需求的增加，注视时间可能会减少 | |
| 眨眼频率 | 次/min | 单位时间内眨眼次数，表征任务难度或满意度，眨眼频率越高则说明疲劳或情绪消极或搜索任务越简单，在心理负荷增加的情况下，眨眼频率通常会降低 | |
| 心率指标 | VLF | ms2 | 极低频功率（0.003 3~0.04 Hz），反映体温的调节 |
| HF | ms2 | 高频功率（0.15~0.4 Hz），主要反映副交感神经系统的活动 | |
| LF | ms2 | 低频功率（0.04~0.15 Hz），与交感神经系统的活动有关，反映身体对压力的生理反应，LF的下降可以反映时间压力或情感压抑程度的增加 | |
| LF/HF | — | 评估交感和副交感神经系统平衡的一个指标 | |
| HFnorm | Nu | 归一化高频功率 | |
| LFnorm | Nu | 归一化低频功率 | |
| pNN20 | % | 相邻心跳间隔相差超过20 ms的间隔个数占总个数的百分比，是评估副交感神经系统功能的敏感指标 | |
| pNN50 | % | 相邻心跳间隔相差超过50 ms的间隔个数占总个数的百分比，是评估副交感神经系统功能的敏感指标，反映了心跳间隔的不规律性 | |
| SDNN | ms | 全部RR间期的标准差，评价整体HRV大小，反映心率的缓慢变化，是评估交感神经系统功能的敏感指标 | |
| SDSD | ms | 相邻RR间期之间差值的标准差，用于量化相邻心跳间隔变化的一致性，反映了心率的短时变异性 | |
| RMSSD | ms | 相邻RR间期之间差值的均方根值，是衡量心跳间隔短时变异性的指标 | |
| Mean HR | 次/min | 平均心率 | |
| Mean IBI | ms | 2次连续心跳之间的平均时间间隔，即RR间期，IBI（n）=R（n+1）-R（n） | |
| 脑电指标 | Delta | — | 1~3.5 Hz，20~200 μV，频率较低而振幅较大，在睡眠研究中通常与慢波睡眠相关，健康成年人深度睡眠阶段开始出现 |
| Theta | — | 4~8 Hz，10~50 μV，与注意力控制机制、学习和记忆功能相关，通常随着认知活动的增加而增强 | |
| Alpha | — | 8~12 Hz，成年人幅度在50 μV左右，松弛或闭眼、清醒状态时明显 | |
| Beta | — | 13~30 Hz，5~20 μV，注意力集中或情绪紧张时出现较多 | |
| Gamma | — | >30 Hz，频率最大的波段，与注意力相关，清醒状态不常见 |
| 指标 | 单位 | 配对差值 | t | Sig | |||||
|---|---|---|---|---|---|---|---|---|---|
| 平均值 | 标准差 | 标准误差平均值 | 差值95% 置信区间 | ||||||
| 下限 | 上限 | ||||||||
| RR（W）-RR（Y） | ms | 0.036 | 0.054 | 0.012 | 0.011 | 0.062 | 3.004 | 0.007 | |
| HR（W）-HR（Y） | 次/min | -5.350 | 7.903 | 1.767 | -9.048 | -1.652 | -3.028 | 0.007 | |
| LF（W）-LF（Y） | ms2 | 0.278 | 0.991 | 0.222 | -0.186 | 0.742 | 1.254 | 0.225 | |
| HF（W）-HF（Y） | ms2 | 0.014 | 0.023 | 0.005 | 0.003 | 0.024 | 2.611 | 0.017 | |
| VLF（W）-VLF（Y） | ms2 | 0.403 | 1.667 | 0.373 | -0.377 | 1.184 | 1.082 | 0.293 | |
表2 静息状态与心理负荷下生理指标的配对t检验结果
Table 2 Paired t?test results of physiological indexes under the resting state and psychological load
| 指标 | 单位 | 配对差值 | t | Sig | |||||
|---|---|---|---|---|---|---|---|---|---|
| 平均值 | 标准差 | 标准误差平均值 | 差值95% 置信区间 | ||||||
| 下限 | 上限 | ||||||||
| RR（W）-RR（Y） | ms | 0.036 | 0.054 | 0.012 | 0.011 | 0.062 | 3.004 | 0.007 | |
| HR（W）-HR（Y） | 次/min | -5.350 | 7.903 | 1.767 | -9.048 | -1.652 | -3.028 | 0.007 | |
| LF（W）-LF（Y） | ms2 | 0.278 | 0.991 | 0.222 | -0.186 | 0.742 | 1.254 | 0.225 | |
| HF（W）-HF（Y） | ms2 | 0.014 | 0.023 | 0.005 | 0.003 | 0.024 | 2.611 | 0.017 | |
| VLF（W）-VLF（Y） | ms2 | 0.403 | 1.667 | 0.373 | -0.377 | 1.184 | 1.082 | 0.293 | |
| 类型 | 指标 | 单位 | 静息状态median | 心理负荷median | 统计量Z | p |
|---|---|---|---|---|---|---|
| 眼动指标 | 瞳孔直径 | mm | 3.78（3.50，4.03） | 4.74（4.45，5.29） | -3.883 | 0.000 |
| 注视时间 | ms | 571.50（342.75，667.00） | 393.00（286.50，438.00） | -2.688 | 0.007 | |
| 眨眼频率 | 次/min | 178.00（139.00，277.75） | 125.50（93.25，173.50） | -2.390 | 0.017 | |
| 心率指标 | SDNN | ms | 0.11（0.06，0.16） | 0.07（0.05，0.09） | -3.445 | 0.001 |
| RMSDD | ms | 0.13（0.04，0.18） | 0.05（0.03，0.09） | -3.198 | 0.001 | |
| SDSD | ms | 0.12（0.04，0.18） | 0.05（0.03，0.09） | -3.198 | 0.001 | |
| pNN50 | % | 0.18（0.08，0.32） | 0.10（0.04，0.24） | -2.808 | 0.005 | |
| pNN20 | % | 0.51（0.43，0.64） | 0.47（0.32，0.57） | -2.952 | 0.003 | |
| LFnorm | Nu | 0.73（0.64，0.89） | 0.79（0.68，0.92） | -1.743 | 0.081 | |
| HFnorm | Nu | 0.27（0.11，0.36） | 0.21（0.09，0.32） | -1.743 | 0.081 | |
| LF/HF | — | 2.63（1.77，8.04） | 3.71（2.18，10.50） | -1.286 | 0.199 | |
| CV | — | 0.16（0.09，0.23） | 0.09（0.07，0.14） | -3.178 | 0.001 | |
| 脑电指标 | δ波动率 | dB | 52.63（43.76，70.24） | 77.83（66.81，95.99） | -4.958 | 0.000 |
| θ波动率 | dB | 41.92（36.46，54.89） | 68.51（57.09，91.75） | -5.608 | 0.000 | |
| α波动率 | dB | 61.81（40.77，83.07） | 76.78（68.32，76.78） | -4.107 | 0.000 | |
| β波动率 | dB | 75.38（12.21，148.63） | 120.39（82.01，206.01） | -4.608 | 0.000 | |
| γ波动率 | dB | 14.99（-29.38，133.11） | -4.920 | 0.000 | ||
| Peak power | dB | 21.05（16.96，32.73） | 27.73（23.75，35.06） | -3.414 | 0.001 | |
| SMR | dB | 38.31（20.86，66.41） | 41.00（31.28，60.81） | -1.257 | 0.209 | |
| α/β | — | 0.67（0.46，1.41） | 0.66（0.49，0.86） | -2.069 | 0.039 | |
| θ/β | — | 0.48（0.31，1.23） | 0.55（0.44，0.75） | -0.581 | 0.561 | |
| （α+θ）/β | — | 1.18（0.76，2.76） | 1.21（0.93，1.62） | -1.407 | 0.160 | |
| （α+θ）/（α+β） | — | 0.79（0.56，1.31） | 0.72（0.62，0.86） | -2.657 | 0.008 | |
| θ/（α+β） | — | 0.33（0.24，0.64） | 0.33（0.29，0.41） | -1.307 | 0.191 |
表3 静息状态与心理负荷下生理指标的秩和检验结果
Table 3 Results of rank sum test for physiological indexes under the resting state and psychological load
| 类型 | 指标 | 单位 | 静息状态median | 心理负荷median | 统计量Z | p |
|---|---|---|---|---|---|---|
| 眼动指标 | 瞳孔直径 | mm | 3.78（3.50，4.03） | 4.74（4.45，5.29） | -3.883 | 0.000 |
| 注视时间 | ms | 571.50（342.75，667.00） | 393.00（286.50，438.00） | -2.688 | 0.007 | |
| 眨眼频率 | 次/min | 178.00（139.00，277.75） | 125.50（93.25，173.50） | -2.390 | 0.017 | |
| 心率指标 | SDNN | ms | 0.11（0.06，0.16） | 0.07（0.05，0.09） | -3.445 | 0.001 |
| RMSDD | ms | 0.13（0.04，0.18） | 0.05（0.03，0.09） | -3.198 | 0.001 | |
| SDSD | ms | 0.12（0.04，0.18） | 0.05（0.03，0.09） | -3.198 | 0.001 | |
| pNN50 | % | 0.18（0.08，0.32） | 0.10（0.04，0.24） | -2.808 | 0.005 | |
| pNN20 | % | 0.51（0.43，0.64） | 0.47（0.32，0.57） | -2.952 | 0.003 | |
| LFnorm | Nu | 0.73（0.64，0.89） | 0.79（0.68，0.92） | -1.743 | 0.081 | |
| HFnorm | Nu | 0.27（0.11，0.36） | 0.21（0.09，0.32） | -1.743 | 0.081 | |
| LF/HF | — | 2.63（1.77，8.04） | 3.71（2.18，10.50） | -1.286 | 0.199 | |
| CV | — | 0.16（0.09，0.23） | 0.09（0.07，0.14） | -3.178 | 0.001 | |
| 脑电指标 | δ波动率 | dB | 52.63（43.76，70.24） | 77.83（66.81，95.99） | -4.958 | 0.000 |
| θ波动率 | dB | 41.92（36.46，54.89） | 68.51（57.09，91.75） | -5.608 | 0.000 | |
| α波动率 | dB | 61.81（40.77，83.07） | 76.78（68.32，76.78） | -4.107 | 0.000 | |
| β波动率 | dB | 75.38（12.21，148.63） | 120.39（82.01，206.01） | -4.608 | 0.000 | |
| γ波动率 | dB | 14.99（-29.38，133.11） | -4.920 | 0.000 | ||
| Peak power | dB | 21.05（16.96，32.73） | 27.73（23.75，35.06） | -3.414 | 0.001 | |
| SMR | dB | 38.31（20.86，66.41） | 41.00（31.28，60.81） | -1.257 | 0.209 | |
| α/β | — | 0.67（0.46，1.41） | 0.66（0.49，0.86） | -2.069 | 0.039 | |
| θ/β | — | 0.48（0.31，1.23） | 0.55（0.44，0.75） | -0.581 | 0.561 | |
| （α+θ）/β | — | 1.18（0.76，2.76） | 1.21（0.93，1.62） | -1.407 | 0.160 | |
| （α+θ）/（α+β） | — | 0.79（0.56，1.31） | 0.72（0.62，0.86） | -2.657 | 0.008 | |
| θ/（α+β） | — | 0.33（0.24，0.64） | 0.33（0.29，0.41） | -1.307 | 0.191 |
| 方法 | 类型 | 指标 |
|---|---|---|
Pearson 相关分析 | 眼动指标 | 瞳孔直径、注视时间、眨眼频率 |
| 心率指标 | RR，HR，SDNN，HF，pNN50 | |
| 脑电指标 | δ，θ，γ，Peak power，（α+θ）/（α+β） | |
| MRMR | 眼动指标 | 瞳孔直径、注视时间、眨眼频率 |
| 心率指标 | RR，HF，RMSDD | |
| 脑电指标 | δ，θ，γ，（α+θ）/（α+β） | |
| PCA | 眼动指标 | 瞳孔直径、眨眼频率 |
| 心率指标 | RR，HR，SDNN，HF，pNN50 | |
| 脑电指标 | θ，α，β，γ，Peak power |
表4 特征提取结果
Table 4 Feature extraction results
| 方法 | 类型 | 指标 |
|---|---|---|
Pearson 相关分析 | 眼动指标 | 瞳孔直径、注视时间、眨眼频率 |
| 心率指标 | RR，HR，SDNN，HF，pNN50 | |
| 脑电指标 | δ，θ，γ，Peak power，（α+θ）/（α+β） | |
| MRMR | 眼动指标 | 瞳孔直径、注视时间、眨眼频率 |
| 心率指标 | RR，HF，RMSDD | |
| 脑电指标 | δ，θ，γ，（α+θ）/（α+β） | |
| PCA | 眼动指标 | 瞳孔直径、眨眼频率 |
| 心率指标 | RR，HR，SDNN，HF，pNN50 | |
| 脑电指标 | θ，α，β，γ，Peak power |
| 方法 | 模型 | ACC | SN | SP | F1 | AUC |
|---|---|---|---|---|---|---|
Pearson 相关分析 | Logit | 0.833 | 0.8 | 0.857 | 0.857 | 0.829 |
| KNN | 0.75 | 0.6 | 0.857 | 0.800 | 0.686 | |
| SVM | 0.75 | 0.8 | 0.714 | 0.769 | 0.714 | |
| XGB | 0.917 | 0.8 | 1.0 | 0.933 | 0.900 | |
| DT | 0.75 | 0.8 | 0.714 | 0.769 | 0.757 | |
| RF | 0.917 | 0.8 | 1.0 | 0.933 | 0.943 | |
| MRMR | Logit | 0.750 | 0.8 | 0.743 | 0.727 | 0.771 |
| KNN | 0.750 | 0.6 | 0.857 | 0.667 | 0.743 | |
| SVM | 0.833 | 0.6 | 1.0 | 0.750 | 0.771 | |
| XGB | 0.917 | 0.8 | 1.0 | 0.889 | 0.957 | |
| DT | 0.833 | 0.8 | 0.857 | 0.800 | 0.829 | |
| RF | 0.917 | 1.0 | 0.857 | 0.909 | 0.971 | |
| PCA | Logit | 0.917 | 0.8 | 1.0 | 0.889 | 0.857 |
| KNN | 0.750 | 0.8 | 0.714 | 0.727 | 0.829 | |
| SVM | 0.833 | 1.0 | 0.714 | 0.8 | 0.857 | |
| XGB | 0.750 | 1.0 | 0.571 | 0.769 | 0.843 | |
| DT | 0.750 | 0.8 | 0.714 | 0.727 | 0.757 | |
| RF | 0.833 | 1.0 | 0.714 | 0.800 | 0.914 |
表5 机器学习分类结果
Table 5 Machine learning classification results
| 方法 | 模型 | ACC | SN | SP | F1 | AUC |
|---|---|---|---|---|---|---|
Pearson 相关分析 | Logit | 0.833 | 0.8 | 0.857 | 0.857 | 0.829 |
| KNN | 0.75 | 0.6 | 0.857 | 0.800 | 0.686 | |
| SVM | 0.75 | 0.8 | 0.714 | 0.769 | 0.714 | |
| XGB | 0.917 | 0.8 | 1.0 | 0.933 | 0.900 | |
| DT | 0.75 | 0.8 | 0.714 | 0.769 | 0.757 | |
| RF | 0.917 | 0.8 | 1.0 | 0.933 | 0.943 | |
| MRMR | Logit | 0.750 | 0.8 | 0.743 | 0.727 | 0.771 |
| KNN | 0.750 | 0.6 | 0.857 | 0.667 | 0.743 | |
| SVM | 0.833 | 0.6 | 1.0 | 0.750 | 0.771 | |
| XGB | 0.917 | 0.8 | 1.0 | 0.889 | 0.957 | |
| DT | 0.833 | 0.8 | 0.857 | 0.800 | 0.829 | |
| RF | 0.917 | 1.0 | 0.857 | 0.909 | 0.971 | |
| PCA | Logit | 0.917 | 0.8 | 1.0 | 0.889 | 0.857 |
| KNN | 0.750 | 0.8 | 0.714 | 0.727 | 0.829 | |
| SVM | 0.833 | 1.0 | 0.714 | 0.8 | 0.857 | |
| XGB | 0.750 | 1.0 | 0.571 | 0.769 | 0.843 | |
| DT | 0.750 | 0.8 | 0.714 | 0.727 | 0.757 | |
| RF | 0.833 | 1.0 | 0.714 | 0.800 | 0.914 |
图3 不同特征选择方法的ROC曲线（a）—Pearson ROC； （b）—MRMR ROC； （c）—PCA ROC.
Fig.3 ROC curves of different feature fusion methods
| 1 | 汪伟忠，卢明银，靖培星.煤矿特种作业人员安全胜任指数模型构建［J］.安全与环境学报，2016，16（1）：20-23. |
| Wang Wei‐zhong， Lu Ming‐yin， Jing Pei‐xing.Research on the establishment of a safety competency index model for the special operators in the coal mines［J］.Journal of Safety and Environment，2016，16（1）：20-23. | |
| 2 | 徐明伟.有限空间人因参数对疲劳影响及防护研究［D］.北京：北京科技大学，2021. |
| Xu Ming‐wei.Study on influence of human factors parameters on fatigue in confined space and protection［D］.Beijing：University of Science and Technology Beijing，2021. | |
| 3 | 晋良海，李宬.高处作业人员心理负荷的SWAT量表主观评定方法研究［J］.安全与环境工程，2015，22（3）：70-74，82. |
| Jin Liang‐hai， Li Cheng.Study on the mental workload of high‐place operating personnel with the subjective assessment method of SWAT scale［J］.Safety and Environmental Engineering，2015，22（3）：70-74，82. | |
| 4 | 孙崇勇.心理负荷测量方法的现状与发展趋势［J］.人类工效学，2012，18（2）：88-92. |
| Sun Chong‐yong.Present situation and development trend of psychological load measurement methods［J］.Chinese Journal of Ergonomics，2012，18（2）：88-92. | |
| 5 | Young M S， Brookhuis K A， Wickens C D，et al.State of science：mental workload in ergonomics［J］.Ergonomics，2015，58（1）：1-17. |
| 6 | 冯源，李彦蕾，李一凡，等.基于注意力机制的多分支LSTM心理负荷评估模型［J］.计算机应用研究，2021，38（11）：3371-3375. |
| Feng Yuan， Li Yan‐lei， Li Yi‐fan，et al.Novel multiclass classification framework with multi‐branch LSTM and attention mechanism for mental workload evaluation［J］.Application Research of Computers，2021，38（11）：3371-3375. | |
| 7 | 陆勇.民用无人机操作心理负荷测评与预测研究［D］.徐州：中国矿业大学（江苏），2021. |
| Lu Yong.Research on evaluation and prediction of operational psychological load of civil UAV［D］.Xuzhou：China University of Mining and Technology（Jiangsu），2021. | |
| 8 | 侯文真.考虑时间压力和任务复杂度的轻装作业者心理负荷与管理策略［D］.镇江：江苏科技大学，2020. |
| Hou Wen‐zhen.Mental load and management strategy of light assembly operators considering time pressure and task complexity［D］.Zhenjiang：Jiangsu University of Science and Technology，2020. | |
| 9 | 吕晓薇.基于脑电及行为特征的塔吊司机心理负荷状态识别模型研究［D］.北京：北方工业大学，2022. |
| Xiao‐wei Lyu.Research on the recognition model of psychological load state of tower crane driver based on EEG and behavioral characteristics［D］.Beijing：North China University of Technology，2022. | |
| 10 | Charles R L， Nixon J.Measuring mental workload using physiological measures：a systematic review［J］.Applied Ergonomics，2019，74：221-232. |
| 11 | Di Stasi L L， McCamy M B， Macknik S L，et al.Saccadic eye movement metrics reflect surgical residents' fatigue［J］.Annals of Surgery，2014，259（4）：824-829. |
| 12 | Fairclough S H， Houston K.A metabolic measure of mental effort［J］.Biological Psychology，2004，66（2）：177-190. |
| 13 | Tao D， Tan H B， Wang H L，et al.A systematic review of physiological measures of mental workload［J］.International Journal of Environmental Research and Public Health，2019，16（15）：2716. |
| 14 | De Rivecourt M， Kuperus M N， Post W J，et al.Cardiovascular and eye activity measures as indices for momentary changes in mental effort during simulated flight［J］.Ergonomics，2008，51（9）：1295-1319. |
| 15 | Brookings J B， Wilson G F， Swain C R.Psychophysiological responses to changes in workload during simulated air traffic control［J］.Biological Psychology，1996，42（3）：361-377. |
| 16 | Hjortskov N， Rissén D， Blangsted A K，et al.The effect of mental stress on heart rate variability and blood pressure during computer work［J］.European Journal of Applied Physiology，2004，92（1）：84-89. |
| 17 | Finsen L， Søgaard K， Jensen C，et al.Muscle activity and cardiovascular response during computer‐mouse work with and without memory demands［J］.Ergonomics，2001，44（14）：1312-1329. |
| 18 | Heine T， Lenis G， Reichensperger P，et al.Electrocardiographic features for the measurement of drivers’ mental workload［J］.Applied Ergonomics，2017，61：31-43. |
| 19 | Delaney J P， Brodie D A.Effects of short‐term psychological stress on the time and frequency domains of heart‐rate variability［J］.Perceptual and Motor Skills，2000，91（2）：515-524. |
| 20 | Matthews G， Reinerman‐Jones L E， Barber D J，et al.The psychometrics of mental workload：multiple measures are sensitive but divergent［J］.Human Factors，2015，57（1）：125-143. |
| 21 | Mun S， Whang M， Park S，et al.Effects of mental workload on involuntary attention：a somatosensory ERP study［J］.Neuropsychologia，2017，106：7-20. |
| 22 | Di Stasi L L， Antolí A， Cañas J J.Evaluating mental workload while interacting with computer‐generated artificial environments［J］.Entertainment Computing，2013，4（1）：63-69. |
| 23 | Foy H J， Chapman P.Mental workload is reflected in driver behaviour，physiology，eye movements and prefrontal cortex activation［J］.Applied Ergonomics，2018，73：90-99. |
| 24 | Hwang S L， Yau Y J， Lin Y T，et al.Predicting work performance in nuclear power plants［J］.Safety Science，2008，46（7）：1115-1124. |
| 25 | Wilson G F， Fullenkamp P， Davis I.Evoked potential，cardiac，blink，and respiration measures of pilot workload in air‐to‐ground missions［J］.Aviation，Space，and Environmental Medicine，1994，65（2）：100-105. |
| 26 | Jaquess K J， LoL C， Oh H，et al.Changes in mental workload and motor performance throughout multiple practice sessions under various levels of task difficulty［J］.Neuroscience，2018，393：305-318. |
| 27 | Kosti M V， Georgiadis K， Adamos D A，et al.Towards an affordable brain computer interface for the assessment of programmers’ mental workload［J］.International Journal of Human‐Computer Studies，2018，115：52-66. |
| 28 | Choi M K， Lee S M， Ha J S，et al.Development of an EEG‐based workload measurement method in nuclear power plants［J］.Annals of Nuclear Energy，2018，111：595-607. |
| 29 | Sharma L D， Chhabra H， Chauhan U，et al.Mental arithmetic task load recognition using EEG signal and Bayesian optimized K‐nearest neighbor［J］.International Journal of Information Technology，2021，13（6）：2363-2369. |
| 30 | Zhang P B， Wang X， Chen J F，et al.Spectral and temporal feature learning with two‐stream neural networks for mental workload assessment［J］.IEEE Transactions on Neural Systems and Rehabilitation Engineering，2019，27（6）：1149-1159. |
| 31 | Das Chakladar D， Dey S， Roy P P，et al.EEG‑based mental workload estimation using deep BLSTM‑LSTM network and evolutionary algorithm［J］.Biomedical Signal Processing and Control，2020，60：101989. |
| 32 | Qu H Q， Gao X Y， Pang L P.Classification of mental workload based on multiple features of ECG signals［J］.Informatics in Medicine Unlocked，2021，24：100575. |
| 33 | Zhang H N.A mental workload evaluation model based on improved multibranch LSTM network with attention mechanism［J］.Advances in Multimedia，2022，2022：9601946. |
| 34 | 张旭.时序信号的异常检测与预测研究［D］.成都：电子科技大学，2021. |
| Zhang Xu.Research on anomaly detection and prediction of time series signals［D］.Chengdu：University of Electronic Science and Technology，2021. | |
| 35 | 王竞一，曹欢，刘晓冬，等.基于长短时记忆模型网络的水处理系统参数预测与评价［J］.智能制造，2022（5）：96-99. |
| Wang Jing‐yi， Cao Huan， Liu Xiao‐dong，et al.Parameter prediction and evaluation of water treatment system based on long‐term and short‐term memory model network［J］.Intelligent Manufacturing，2022（5）：96-99. | |
| 36 | 祁胜锋.基于Boosting算法的人体动作数据识别研究［D］.武汉：武汉纺织大学，2019. |
| Qi Sheng‐feng.The study of the human motion data recognition based on Boosting algorithm［D］.Wuhan：Wuhan Textile University，2019. |
| [1] | 赵彬， 吴成东， 姜杨， 孙若怀. 空间参数聚类辨识的机器人零位标定方法与精度评估[J]. 东北大学学报（自然科学版）, 2023, 44(6): 761-769. |
| [2] | 金长宇， 于佳强， 王强， 陈立军. 基于集成学习CatBoost优化模型的爆堆大块率预测[J]. 东北大学学报（自然科学版）, 2023, 44(12): 1743-1750. |
| [3] | 刘克奇， 杜佃春， 赵文， 丁万涛. 基于机器学习的泥水盾构关键掘进参数预测与优化[J]. 东北大学学报（自然科学版）, 2023, 44(11): 1621-1630. |
| [4] | 赵海， 陈佳伟， 施瀚， 王相. 一种应用于人体活动识别的迁移学习算法[J]. 东北大学学报（自然科学版）, 2022, 43(6): 776-782. |
| [5] | 徐礼胜， 崔慧颖， 吴俊鼎， 王仲怡. 级联自适应局部投影降噪方法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 368-375. |
| [6] | 马海涛， 路家蕊， 于文鑫， 于长永. 线性区域数量与PLNN表达能力的相关性[J]. 东北大学学报（自然科学版）, 2021, 42(2): 201-207. |
| [7] | 李壮年， 储满生， 柳政根， 李宝峰. 基于机器学习和遗传算法的高炉参数预测与优化[J]. 东北大学学报:自然科学版, 2020, 41(9): 1262-1267. |
| [8] | 杨望， 江咏涵， 张三峰. 基于网页结构与语言特征的垃圾网页链接检测方法[J]. 东北大学学报:自然科学版, 2020, 41(8): 1091-1096. |
| [9] | 郭甲腾， 刘寅贺， 韩英夫， 王徐磊. 基于机器学习的钻孔数据隐式三维地质建模方法[J]. 东北大学学报:自然科学版, 2019, 40(9): 1337-1342. |
| [10] | 王蒙湘， 李芳芳， 于戈. 交互式数据探索框架的特征自适应技术[J]. 东北大学学报:自然科学版, 2018, 39(12): 1685-1690. |
| [11] | 朱继召， 乔建忠， 林树宽. 表示学习知识图谱的实体对齐算法[J]. 东北大学学报:自然科学版, 2018, 39(11): 1535-1539. |
| [12] | 王彦华， 乔建忠， 林树宽， 赵廷磊. 基于SVM的CPU-GPU异构系统任务分配模型[J]. 东北大学学报:自然科学版, 2016, 37(8): 1089-1094. |
| [13] | 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. |
| [14] | 朱靖波;陈文亮. 基于领域知识的文本分类[J]. 东北大学学报(自然科学版), 2005, 26(8): 733-735. |
| [15] | 孙杰;李晶皎;张俐;姚天顺. 机器翻译系统中词类搭配规则的自动获取方法[J]. 东北大学学报(自然科学版), 1999, 20(2): 4--. |
| 阅读次数 | ||||||
|
全文 |
|
|||||
|
摘要 |
|
|||||
