[发明专利]基于脉搏波形态特征的大脑认知负荷客观量化评估方法

权利要求书

1.一种基于脉搏波形态特征的大脑认知负荷客观量化评估方法，其特征在于，所述评估方法包括以下步骤：

S1、采集静坐基线状态下的基线脉搏波信号y_baseline和脑力任务状态下的任务态脉搏波信号y_task；其中，脑力任务开始前1分钟称为处于基线状态，这段时间测得的脉搏波为基线脉搏波信号y_baseline；脑力任务开始后到结束，这段时间称为处于脑力任务状态，所采集的脉搏波信号为任务态脉搏波信号y_task；

S2、对采集到的脉搏波信号y_baseline和y_task进行预处理，得到预处理后的脉搏波信号y'_baseline和y'_task；

S3、对预处理后的脉搏波信号y'_baseline和y'_task进行逐周期的脉搏波信号特征点识别，在此基础上提取脉搏波信号各个周期的形态特征，得到基线状态和任务状态的形态特征序列；其中，所述脉搏波信号特征点包括脉搏波信号的脉冲起点、主波峰值点、重搏波峰值点，所述形态特征包括主波幅值A₁、重搏波幅值A₂、下降支时间T₁、波形下面积S、上升支面积S₁、反射指数RI；

S4、对步骤S3得到的基线状态形态特征序列及任务状态形态特征序列分别计算时域指标，得到时域特征向量F_baseline和F_task，分别称为基线时域特征向量和任务时域特征向量，将任务状态的任务时域特征向量F_task减去基线状态的基线时域特征向量F_baseline，得到去基线后的特征向量F；其中，所述时域指标包括特征序列均值、特征序列标准差、特征序列一阶差分均方根、特征序列一阶差分标准差；

S5、对去基线后的特征向量F使用序列后向选择算法筛选出最优特征组合，使用已知负荷水平的训练样本的最优特征组合训练SVM分类器，最后得到SVM分类器的无阈值输出；其中，所述序列后向选择算法以SVM分类器的分类准确率作为评价标准，保留准确率最高的前m个特征，作为最优特征组合；

S6、将训练后的SVM分类器的无阈值输出输入到Sigmoid参数模型中，并以此作为SVM概率输出模型，得到分类的后验概率估计；

S7、使用SVM概率输出模型对待测对象的脉搏波信号的认知负荷水平进行量化评估。

2.根据权利要求1所述的基于脉搏波形态特征的大脑认知负荷客观量化评估方法，其特征在于，所述步骤S2过程如下：

S201、对采集到的脉搏波信号y_baseline和y_task使用FIR低通滤波器滤波，得到去除高频噪声后的脉搏波信号y_{base_low}和y_{task_low}；

S202、提取y_{base_low}和y_{task_low}的脉冲起点；

S203、使用三次样条插值法对y_{base_low}和y_{task_low}的脉冲起点位置进行拟合，得到基线漂移曲线y_{base_noise}和y_{task_noise}，将去除高频噪声后的脉搏波信号y_{base_low}、y_{task_low}分别减去基线漂移曲线y_{base_noise}、y_{task_noise}，即可得到去噪后的脉搏波信号；

S204、根据脉冲起点对去噪后的脉搏波信号进行周期分割，得到Z个脉搏波周期信号Y；

S205、对相邻周期的脉搏波周期信号Y_i及Y_i+1进行插值重采样，得到具有相同采样点数的两个脉搏波周期Y'_i、Y'_i+1，计算Y'_i与Y'_i+1的皮尔逊相关系数，设定阈值按照一定的筛选规则筛选出连续稳定的脉搏波周期信号y'_baseline和y'_task。