[发明专利]反应时间预测模型构建方法、装置、设备及可读存储介质

权利要求书

1.反应时间预测模型构建方法，其特征在于，包括：

获取第一数据和第二数据，所述第一数据包括每位测试司机在模拟驾驶过程中的脑电数据，所述模拟驾驶过程中对所述测试司机进行至少一次反应测试任务；所述第二数据包括每位所述测试司机对每次所述反应测试任务的反应时间；

对每位所述测试司机的所述脑电数据进行过滤和去噪处理，得到每位所述测试司机处理后的脑电数据；

基于每位所述测试司机处理后的脑电数据计算得到每位所述测试司机在每次所述反应测试任务中的特征指标，基于每位所述测试司机对每次所述反应测试任务的反应时间与每位所述测试司机在每次所述反应测试任务中的特征指标构建数据集；

基于所述数据集和Stacking集成学习得到反应时间预测模型。

2.根据权利要求1所述的反应时间预测模型构建方法，其特征在于，所述对每位所述测试司机的所述脑电数据进行过滤和去噪处理，得到每位所述测试司机处理后的脑电数据，包括：

将所述脑电数据过滤，去除所述脑电数据中基线漂移和高频信号的干扰，得到过滤后的脑电数据；

通过独立成分分析对所述过滤后的脑电数据进行分解与重构，根据干扰噪声的时频分布特征，结合FastICA算法，去除所述过滤后的脑电数据中的噪声，得到所述处理后的脑电数据。

3.根据权利要求1所述的反应时间预测模型构建方法，其特征在于，所述基于每位所述测试司机处理后的脑电数据计算得到每位所述测试司机在每次所述反应测试任务中的特征指标，包括：

以每次所述反应测试任务出现的时刻作为出现时刻，将在所述出现时刻之前的一时刻作为第一截取时刻，截取所述出现时刻与所述第一截取时刻之间的所述处理后的脑电数据，得到脑电数据截取段，用汉明窗对所述脑电数据截取段进行分割，得到分割后的脑电数据段；

采用快速傅里叶变换算法对每一个所述脑电数据段进行时频转换，提取每个所述脑电数据段中alpha波和beta波的功率谱密度，并计算所述alpha波的功率谱密度与所述beta波的功率谱密度的比值；

将所述脑电数据截取段所对应的全部所述alpha波的功率谱密度进行平均值计算，得到所述alpha波的功率谱密度平均值；将所述脑电数据截取段所对应的全部所述beta波的功率谱密度进行平均值计算，得到所述beta波的功率谱密度平均值；将所述脑电数据截取段所对应的全部所述比值进行平均值计算，得到比值平均值；

将所述alpha波的功率谱密度平均值、所述beta波的功率谱密度平均值和所述比值平均值作为每位所述测试司机在每次所述反应测试任务中的特征指标。

4.根据权利要求1所述的反应时间预测模型构建方法，其特征在于，所述基于所述数据集和Stacking集成学习得到反应时间预测模型，包括：

基于所述数据集和4折交叉验证方法分别对Stacking学习框架中第一层的模型进行训练，所述第一层的模型包括套索回归模型、支持向量回归模型和随机森林模型，训练后得到所述套索回归模型的输出、所述支持向量回归模型的输出和所述随机森林模型的输出；

将所述套索回归模型的输出、所述支持向量回归模型的输出和所述随机森林模型的输出进行集合，集合后输入所述Stacking学习框架中第二层的模型进行训练，得到所述反应时间预测模型，其中，所述第二层的模型包括所述随机森林模型。

5.反应时间预测模型构建装置，其特征在于，包括：

第一获取模块，用于获取第一数据和第二数据，所述第一数据包括每位测试司机在模拟驾驶过程中的脑电数据，所述模拟驾驶过程中对所述测试司机进行至少一次反应测试任务；所述第二数据包括每位所述测试司机对每次所述反应测试任务的反应时间；

处理模块，用于对每位所述测试司机的所述脑电数据进行过滤和去噪处理，得到每位所述测试司机处理后的脑电数据；

第一计算模块，用于基于每位所述测试司机处理后的脑电数据计算得到每位所述测试司机在每次所述反应测试任务中的特征指标，基于每位所述测试司机对每次所述反应测试任务的反应时间与每位所述测试司机在每次所述反应测试任务中的特征指标构建数据集；

构建模块，用于基于所述数据集和Stacking集成学习得到反应时间预测模型。