楊木林，童蓍庾 ，潘紅光

（1.國(guó)能包頭能源有限責(zé)任公司，內(nèi)蒙古 包頭 014010；2.西安科技大學(xué) 電氣與控制工程學(xué)院，陜西 西安 710054）

0 引 言

在智慧礦山建設(shè)中，人的因素起到越來越重要的作用，其角色也發(fā)生重要的轉(zhuǎn)變，礦工由體力勞動(dòng)逐漸變?yōu)槟X力勞動(dòng)。受到復(fù)雜環(huán)境和腦力消耗的雙重影響，礦工精神狀態(tài)極易發(fā)生惡化［1-2］。對(duì)于礦工而言，較小的差錯(cuò)都將會(huì)造成嚴(yán)重的煤礦安全事故。因此，井下礦工的健康狀況不容忽視。

在傳統(tǒng)方法中，礦工狀態(tài)主要由經(jīng)驗(yàn)豐富的醫(yī)生根據(jù)體檢報(bào)告整合體征信息進(jìn)行評(píng)估［3］。這種方法不僅耗時(shí)費(fèi)力，而且由于主觀因素，特別是對(duì)于診斷經(jīng)驗(yàn)不足的醫(yī)生，誤診和漏診的幾率就會(huì)提高［4］。因此，現(xiàn)有研究開始感知礦工體征信息，從而通過建模與信息融合等方式實(shí)現(xiàn)礦工狀態(tài)的快速識(shí)別。JIN等利用體溫、血壓、心率等11個(gè)指標(biāo)組成評(píng)價(jià)指標(biāo)體系實(shí)現(xiàn)對(duì)礦工生理和心理狀態(tài)的評(píng)估［5］。CHEN等通過野外試驗(yàn)測(cè)量高海拔寒冷地區(qū)礦工的心電圖、肌電圖、脈搏、血壓、反應(yīng)時(shí)間和肺活量等疲勞心理生理參數(shù)，通過多特征信息融合實(shí)現(xiàn)疲勞的快速識(shí)別［6］。但是，選擇合適的體征信息成為一個(gè)難點(diǎn)。當(dāng)采集的體征數(shù)據(jù)類型過多時(shí)，容易造成數(shù)據(jù)冗余，從而增加評(píng)估時(shí)間；當(dāng)采集的體征數(shù)據(jù)類型過少時(shí)，評(píng)估準(zhǔn)確性也會(huì)因此降低。

原始腦電信號(hào)包括時(shí)域、頻域和空間域等特征信息，特征類型較少，從而在一定程度上避免特征選擇的難題［7］。此外，腦電信號(hào)被譽(yù)為狀態(tài)識(shí)別的“金標(biāo)準(zhǔn)”，各類特征已經(jīng)被證實(shí)可以對(duì)人體情緒和精神狀態(tài)進(jìn)行客觀、精準(zhǔn)識(shí)別［8-9］。時(shí)域分析集中于腦電信號(hào)的波形變化，分析方法包括零點(diǎn)分析、直方圖分析和自回歸參數(shù)模型等。CHINAR等從腦電信號(hào)中提取時(shí)域特征來檢測(cè)困意，結(jié)果表明，他們所提出的單通道腦電信號(hào)瞌睡檢測(cè)模型具有較好的準(zhǔn)確性［10］。頻域分析主要集中于具有頻率變化的腦電信號(hào)的抽象特征。腦電信號(hào)能捕捉到大量神經(jīng)元的振蕩活動(dòng)，例如人體精神狀態(tài)變化會(huì)引起θ和α等節(jié)律幅值和功率的變化。通過這些振蕩活動(dòng)可對(duì)腦電信號(hào)進(jìn)行有效的頻域分析，分析方法有傅立葉變換（fourier transform，F(xiàn)T）和功率譜估計(jì)等［11］。王春晨等選用多通道EEG的頻域參數(shù)作為情緒識(shí)別的特征向量，利用機(jī)器學(xué)習(xí)算法在特征參數(shù)選擇和分類算法設(shè)計(jì)方面高效可靠的特點(diǎn)，設(shè)計(jì)一種新型情緒狀態(tài)識(shí)別算法，實(shí)現(xiàn)對(duì)情緒狀態(tài)準(zhǔn)確有效的識(shí)別［12］。空間域分析集中于對(duì)高維腦電圖數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，具有增強(qiáng)局部活動(dòng)、減少各通道中的共有噪聲、降低數(shù)據(jù)維度等作用。分析方法主要有典型相關(guān)分析（canonical correlation analysis，CCA）、主成分分析（principal component analysis，PCA）、獨(dú)立成分分析（independent component analysis，ICA）和共同空間模式（common spatial patterns，CSP）等。閆夢(mèng)夢(mèng)等提出一種基于腦電情感識(shí)別的空域?yàn)V波方法，利用改進(jìn)CSP空域?yàn)V波算法在三分類情感腦電信號(hào)的識(shí)別結(jié)果中達(dá)到87.54%的平均識(shí)別率［13］。但是上述研究中，大多數(shù)使用單一域分析腦電信號(hào)，導(dǎo)致特征具有局限性，缺乏對(duì)人體狀態(tài)的綜合評(píng)估。

腦電信號(hào)的時(shí)域、頻域和空間域分析方法從單一特征維度已經(jīng)實(shí)現(xiàn)人體狀態(tài)識(shí)別，若融合3種分析方法的優(yōu)點(diǎn)實(shí)現(xiàn)多種特征數(shù)據(jù)信息的處理，為評(píng)估算法取長(zhǎng)補(bǔ)短提供可能［14-15］。因此，文中在提取腦電信號(hào)的多域特征并對(duì)精神狀態(tài)進(jìn)行分類的基礎(chǔ)上，采用決策融合方法建立多模態(tài)特征空間，提出一種基于D-S證據(jù)理論的礦工精神狀態(tài)融合評(píng)估算法，保證煤礦安全生產(chǎn)。首先，采用Teager能量算子（teager energy operator，TEO）和多尺度熵（multiscale entropy，MSE）提取腦電信號(hào)的時(shí)域特征；利用小波包變換（wavelet packet transform，WPT）提取腦電信號(hào)的頻域特征；分析腦電信號(hào)的相位鎖定值（phase locking value，PLV）和相干性，提取空間域特征。其次，通過支持向量機(jī)（support vector machine，SVM）、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）和BP神經(jīng)網(wǎng)絡(luò)分別對(duì)時(shí)域、頻域和空間域特征進(jìn)行分類；最后，根據(jù)決策級(jí)融合規(guī)則，采用D-S證據(jù)理論融合各類子模型概率輸出結(jié)果，實(shí)現(xiàn)準(zhǔn)確、客觀地評(píng)估礦工精神狀態(tài)。

1 數(shù)據(jù)采集及預(yù)處理

1.1 數(shù)據(jù)采集

對(duì)照煤礦工人職業(yè)要求，選擇一名系統(tǒng)性學(xué)習(xí)過煤礦安全生產(chǎn)過程以及熟知礦工作業(yè)流程的在校研究生作為被試者。被試者為男性，年齡24歲，身高175cm，身體健康且無神經(jīng)系統(tǒng)疾病史，具備成為礦工的客觀條件。為了保證數(shù)據(jù)集的客觀性，在試驗(yàn)開始前要求被試者保持充足的睡眠，并且不飲用咖啡、酒等刺激性飲品。

試驗(yàn)通過礦區(qū)環(huán)境模擬裝置和腦電信號(hào)采集設(shè)備輔助數(shù)據(jù)采集。礦區(qū)環(huán)境模擬裝置來模擬礦下氣味與溫度等影響因素，該設(shè)備包括系統(tǒng)監(jiān)測(cè)軟件和云平臺(tái)工作站等，可以模擬光線、高溫、噪聲及氣味等氣候環(huán)境并進(jìn)行實(shí)時(shí)檢測(cè)，如圖1所示。EMOTIV EPOC Flex為腦電信號(hào)采集設(shè)備，采用國(guó)際10-20標(biāo)準(zhǔn)電極放置規(guī)范對(duì)腦電信號(hào)進(jìn)行采集。為了兼顧數(shù)據(jù)質(zhì)量和計(jì)算速度，試驗(yàn)中腦電信號(hào)采樣頻率設(shè)置為128 Hz，記錄的信號(hào)經(jīng)過0.1～100 Hz帶通濾波器濾波后進(jìn)行基線校正［16］。

圖1 礦區(qū)環(huán)境模擬裝置Fig.1 Mine environment simulation modes

井下環(huán)境復(fù)雜且與地面環(huán)境差異較大，為更好模擬井下環(huán)境，地點(diǎn)選擇在狹小、幽暗的房間，試驗(yàn)環(huán)境及采集畫面如圖2所示。與此同時(shí)，加入關(guān)于井下環(huán)境的視覺和聽覺刺激來加速被試者精神狀態(tài)的變化。隨著高強(qiáng)度運(yùn)動(dòng)（學(xué)習(xí)）以及復(fù)雜環(huán)境的雙重影響，被試者的精神狀態(tài)發(fā)生變化。試驗(yàn)開始前，采集一次無環(huán)境刺激的腦電數(shù)據(jù)作為參考數(shù)據(jù)。每組試驗(yàn)過程中，視頻播放的時(shí)間即為腦電信號(hào)采集的時(shí)間。試驗(yàn)流程如圖3所示。為客觀評(píng)定被試者當(dāng)前的精神狀態(tài)，通過E-Prime軟件設(shè)計(jì)一組客觀測(cè)驗(yàn)和主觀問卷來判定被試者的生理狀態(tài)、疲勞狀態(tài)和認(rèn)知反應(yīng)狀態(tài)。客觀測(cè)驗(yàn)內(nèi)容包括：警覺性、數(shù)字瞬時(shí)記憶、單詞短時(shí)記憶、注意力、認(rèn)知靈活性、放松程度、協(xié)調(diào)能力等。主觀問卷采用視覺模擬評(píng)分法（visual analogue scale，VAS）調(diào)查被試者當(dāng)前生理狀態(tài)和疲勞狀態(tài)。由于容易理解、最低語言要求、視覺格式、最低管理和完成時(shí)間等原因，VAS比報(bào)告問卷有許多優(yōu)勢(shì)。

圖2 試驗(yàn)環(huán)境及數(shù)據(jù)采集示意Fig.2 Test environment and data acquisition

圖3 試驗(yàn)流程示意Fig.3 Schematic diagram of test procedure

1.2 數(shù)據(jù)預(yù)處理

1.2.1 原始腦電信號(hào)數(shù)據(jù)。

通過EEGLAB對(duì)原始的腦電信號(hào)進(jìn)行預(yù)處理［17］。首先，使用FIR帶通濾波器對(duì)腦電信號(hào)進(jìn)行0.5～50 Hz的濾波以去除腦電設(shè)備所引起的偽跡成分（高頻段：＞50 Hz）以及被試者呼吸和心跳所引起的偽跡成分（低頻段：＜0.5 Hz），從而保留腦電信號(hào)中最有效的頻段。其次，ICA和PSD用于移除眼電或肌電成分。最后，將處理后的腦電成分進(jìn)行疊加，得到最終的腦電信號(hào)。

1.2.2 相關(guān)測(cè)驗(yàn)任務(wù)的指標(biāo)數(shù)據(jù)

首先，歸一化算法將測(cè)驗(yàn)的反應(yīng)時(shí)間（自評(píng)程度）B＝（bij）和準(zhǔn)確率A＝（aij）映射到0～1的范圍內(nèi)。min-max規(guī)則將指標(biāo)參數(shù)投射到［l1，l2］區(qū)間內(nèi)，歸一化的計(jì)算過程為

以生理狀態(tài)為例，無刺激試驗(yàn)各項(xiàng)指標(biāo)作為參考，見式（3）

式中 Bmean為無刺激時(shí)的反應(yīng)時(shí)間（主觀問卷自評(píng)程度）的平均值；Amean為無刺激時(shí)客觀測(cè)驗(yàn)準(zhǔn)確率的平均值；Bj為有刺激時(shí)的反應(yīng)時(shí)間（主觀問卷自評(píng)程度）；Bmax為有刺激時(shí)的反應(yīng)時(shí)間（主觀問卷自評(píng)程度）的最大值；Aj為有刺激時(shí)客觀測(cè)驗(yàn)的準(zhǔn)確率；Amin為有刺激時(shí)客觀測(cè)驗(yàn)準(zhǔn)確率的最小值；n為客觀測(cè)驗(yàn)和主觀問卷的總數(shù)目；k為主觀問卷的數(shù)目。疲勞狀態(tài)Sf和認(rèn)知反應(yīng)狀態(tài)Sc的求解與生理狀態(tài)Sm類似。最后，根據(jù)判別式（2）得到當(dāng)前人體精神狀態(tài)的標(biāo)簽類型。

2 特征提取

2.1 時(shí)域特征提取

時(shí)域波形特征包含來自腦電信號(hào)的所有時(shí)間信息，可以清晰代表關(guān)于礦工腦波的振幅和周期，以此用于礦工精神狀態(tài)的識(shí)別。但隨著礦工精神狀態(tài)的下降，可能導(dǎo)致所提取的時(shí)域波形特征中成分混雜，因此需要對(duì)所采集的腦電信號(hào)采用疊加平均的方法來間接提升鑒別信息的比例。TEO在連續(xù)和離散域都有定義，從能量的角度分析單分量信號(hào)是非常有用的工具［18］。MSE是非線性動(dòng)力學(xué)理論中的一種復(fù)雜度分析算法，最早由COSTAD等于2002年提出［19］。MSE可以考慮到信號(hào)在多個(gè)時(shí)間尺度上的動(dòng)態(tài)特性和遠(yuǎn)程相關(guān)性信息，從而全面地度量信號(hào)的復(fù)雜度，十分適合復(fù)雜時(shí)間序列信號(hào)分析［20］。然而，MSE無法獲取和利用腦電信號(hào)的波幅變化和瞬時(shí)能量變化值。因此，先通過TEO提取預(yù)處理后的腦電信號(hào)特征，再對(duì)信號(hào)進(jìn)行MSE變換，從而獲得腦電信號(hào)波幅變化的復(fù)雜度和瞬時(shí)能量的長(zhǎng)距離相關(guān)性信息。

尺度因子（s）按順序進(jìn)行移動(dòng)后對(duì)所有移動(dòng)窗口進(jìn)行信號(hào)重疊，計(jì)算得出新的TEO信號(hào)序列，此過程即為TEO信號(hào)尺度變換。為了提高信號(hào)重建的效率和重構(gòu)信號(hào)特征鑒別效果，文中采用基于均值漂移聚類算法求解重構(gòu)信號(hào)的聚類中心距離，自適應(yīng)尺度因子求解算法來得到合適的尺度因子［21］。按照不同尺度因子對(duì)TEO信號(hào)進(jìn)行重建后，提取信號(hào)的熵特征信息，主要包括近似熵、樣本熵、排列熵、模糊熵、小波熵。

2.2 頻域特征提取

腦電信號(hào)在頻域空間有大量的精神狀態(tài)鑒別特征，通過計(jì)算不同頻段能量變化，進(jìn)而較為直觀地分析θ波段、α波段、β波段、δ波段和γ波段的能量狀態(tài)。為了獲取在相同頻率區(qū)間內(nèi)礦工腦電信號(hào)中5個(gè)頻段的能量分布，采用小波包變換對(duì)腦電信號(hào)進(jìn)行分解。

小波包變換通過一組彼此正交的小波基函數(shù)將腦電信號(hào)投射到另一空間中，可以為特征提取創(chuàng)建較為細(xì)致的分析基礎(chǔ)，從而提高礦工精神狀態(tài)腦電信號(hào)的時(shí)頻分辨率［22］。選取各頻段的小波包系數(shù)的平均能量作為腦電特征，腦電信號(hào)的能量為信號(hào)空間范式的平方。具體計(jì)算公式為

式中 k為第l分解層中第k個(gè)頻帶；l為分解層序列；di（l，k）為第l層分解層中第k個(gè)頻帶的小波系數(shù)；i為該節(jié)點(diǎn)的小波系數(shù)的序列；I為該節(jié)點(diǎn)的小波系數(shù)的數(shù)量；G（l，k）為第l層分解層中第k頻帶的平均能量。

2.3 空間域特征提取

大腦的每個(gè)部分在人類行為中都具有其獨(dú)特的功能，即使最為簡(jiǎn)單的任務(wù)也是需要很多大腦區(qū)域共同協(xié)助才能完成?？臻g域的角度對(duì)礦工的腦電信號(hào)進(jìn)行分析，可以得到礦工腦區(qū)之間的信息交互（即連通性）情況。目前，衡量頭皮腦電信號(hào)活動(dòng)的連通性的技術(shù)有很多?？偟膩碚f，腦電連通性指標(biāo)可以分為4類：基于相干的指標(biāo)、基于相位同步的指標(biāo)、基于廣義同步的指標(biāo)以及基于格蘭杰因的指標(biāo)。文中使用PLV和相干性2種腦連通指標(biāo)來分析腦電信號(hào)的空間域特征。相干性和PLV代表兩通道間信號(hào)的相互連接關(guān)系，數(shù)值型特征不能較好地體現(xiàn)腦部空間特征信息。因此，對(duì)連接性特征數(shù)據(jù)進(jìn)行腦連接圖像可視化。將事件中每一通道與其他所有通道的相干性和相位同步性各畫一個(gè)腦連接圖，所以每一事件的相干性和相位同步性各有32個(gè)腦連接圖，總共64個(gè)腦連接圖。

腦電信號(hào)在特定時(shí)間段和頻段內(nèi)具有穩(wěn)定性的PLV和相干性［23］。PLV可以反映兩通道間礦工腦電信號(hào)的同步性，該值越接近于1，則表示2組腦電信號(hào)之間的同步性越強(qiáng)。相干性可以評(píng)估量礦工腦電信號(hào)兩通道間的連接性。該值越接近0表示兩通道腦電信號(hào)之間連接性越弱，該值越接近1表示兩電極通道腦電信號(hào)連接性越強(qiáng)［24］。設(shè)fi（t）和fj（t）為2個(gè)不同通道的礦工腦電信號(hào)，PLV值由式（5）表示，相干性見式（6）

式中 θ（t）為在t時(shí)刻腦電信號(hào)fi（t）和fj（t）的相位差；N為樣本總數(shù)。Pfifi（Γ），Pfjfj（Γ）分別為兩通道腦電信號(hào)的自功率譜密度；Pfifj（Γ）為兩通道腦電信號(hào)的互功率譜密度；Cfifj（Γ）為在頻率Γ處兩電極通道信號(hào)的相干系數(shù)。

3 特征分類

3.1 時(shí)域特征分類

SVM是機(jī)器學(xué)習(xí)中的一種監(jiān)督學(xué)習(xí)方法，在解決小樣本、非線性和高維模式識(shí)別等問題中具有突出優(yōu)勢(shì)［20］。通過SVM分類后的時(shí)域特征評(píng)估結(jié)果見表1。試驗(yàn)共采集到3040組腦電信號(hào)數(shù)據(jù)，通過TEO提取特征后每個(gè)事件的數(shù)據(jù)維度為998行、32列。計(jì)算5種MSE后，每組數(shù)據(jù)的數(shù)據(jù)維度為5行、32列。每組事件組合特征數(shù)據(jù)的維度為160列，數(shù)據(jù)維度較大。因此，采用PCA對(duì)腦電信號(hào)的特征進(jìn)行再次降維，數(shù)據(jù)維度為：3 040行、11列。5種 MSE 的 分 類 精 度 分 別 為：38.50%，41.67%，39.33%，48.17% 和43.83%，在特征進(jìn)行組合和PCA處理后，分類準(zhǔn)確率為67.50%。

表1 時(shí)域特征維度及評(píng)估結(jié)果Table 1 Time domain feature dimension and evaluation results

3.2 頻域特征分類

具有圖像特征提取能力的CNN模型可對(duì)經(jīng)過能量譜地形圖表征后的頻域特征進(jìn)行較好地分類識(shí)別［25］。小波包變換后獲得的五頻段能量譜的特征數(shù)據(jù)維度為：3 040行，160列。每個(gè)事件共5個(gè)腦地形圖，分別對(duì)應(yīng)腦電信號(hào)的5個(gè)頻段。每個(gè)事件的各個(gè)頻段都包括32個(gè)通道的能量譜。CNN模型結(jié)構(gòu)為：5個(gè)池化層，13個(gè)卷積層，3個(gè)全連接層；模型參數(shù)為：學(xué)習(xí)率為：0.000 1，最大訓(xùn)練輪數(shù)為：300，批處理為：128。將每個(gè)事件的5個(gè)腦地形圖作為CNN的一組輸入數(shù)據(jù)，得出CNN模型識(shí)別精度見表2，評(píng)估準(zhǔn)確率為80.67%，距離準(zhǔn)確評(píng)估礦工精神狀態(tài)還具有較大的差距。

表2 頻域特征維度及評(píng)估結(jié)果Table 2 Frequency domain feature dimension and evaluation results

3.3 空間域特征分類

BP網(wǎng)絡(luò)已經(jīng)被證明具備較強(qiáng)的學(xué)習(xí)、歸納和特征信息處理的能力，可以對(duì)非線性的腦電數(shù)據(jù)實(shí)現(xiàn)訓(xùn)練和識(shí)別。因此，文中使用BP網(wǎng)絡(luò)對(duì)空間域特征進(jìn)行分類識(shí)別，表3為BP網(wǎng)絡(luò)分類結(jié)果，分類準(zhǔn)確率為71.17%。經(jīng)過分析礦工腦電信號(hào)的PLV和相干性后，數(shù)據(jù)維度降為496。繪制32個(gè)通道的腦連接圖實(shí)現(xiàn)特征可視化后，數(shù)據(jù)維度從496降為32，減少分類時(shí)間，分類準(zhǔn)確率為71.17%。

表3 空間域特征維度及評(píng)估結(jié)果Table 3 Spatial domain feature dimension and evaluation results

4 決策融合評(píng)估算法及分析

4.1 信息融合依據(jù)

近年來，信息融合成為一項(xiàng)重要的研究課題，將不同融合方法應(yīng)用于基于腦電信號(hào)的人體狀態(tài)識(shí)別中，是腦機(jī)接口技術(shù)研究的一個(gè)方向。將基于時(shí)域、頻域和空間域特征的3個(gè)分類模型作為子模型并融合有望多角度、全方面綜合分析礦工精神狀態(tài)。因此，文中提出通過融合算法將SVM子模型、CNN子模型和BP網(wǎng)絡(luò)子模型進(jìn)行有效融合，融合基于以下考慮。

1）分析礦工腦電信號(hào)的時(shí)域特征、頻域特征和空間域特征的相關(guān)方法所得出的分類準(zhǔn)確率過低（時(shí)域特征：67.50%；頻域特征：80.67%；空間域特征：71.17%），不能達(dá)到礦工精神狀態(tài)評(píng)估體系的建設(shè)要求。

2）在個(gè)體差異的情況下，依據(jù)個(gè)體模態(tài)（時(shí)域、頻域和空間域特征）分類的結(jié)果具有不確定性。

如上所述，由于時(shí)域、頻域和空間域特征分類精度較低以及分類結(jié)果存在不確定性影響因素，需要采用信息融合的技術(shù)手段，將代表時(shí)域、頻域和空間域特征的概率輸出結(jié)果在時(shí)間和空間上進(jìn)行綜合關(guān)聯(lián)，取長(zhǎng)補(bǔ)短，以實(shí)現(xiàn)對(duì)礦工精神狀態(tài)更優(yōu)化、準(zhǔn)確地評(píng)估，保證煤礦安全生產(chǎn)。

4.2 D-S證據(jù)理論的引入及實(shí)施

目前的融合算法多種多樣，D-S證據(jù)理論作為其中經(jīng)典的融合算法，由DEMPSTER和SHAFER提出［26］。D-S證據(jù)理論具有較高的評(píng)估效率，在解決不確定性的信息融合方面具有較大的優(yōu)勢(shì)?，F(xiàn)有研究證明，將D-S證據(jù)理論融合算法應(yīng)用于深度學(xué)習(xí)的分類模型里有利于提高分類的準(zhǔn)確性［27］。結(jié)合文中研究現(xiàn)狀，采用D-S證據(jù)理論融合算法更能滿足研究要求。

基于D-S證據(jù)理論的融合評(píng)估算法是在決策級(jí)進(jìn)行的。決策融合方法可以充分利用礦工腦電信號(hào)的多元信息，做出全局的最優(yōu)決策，彌補(bǔ)單個(gè)模態(tài)評(píng)估結(jié)果的不足，從而提高礦工精神態(tài)的評(píng)估準(zhǔn)確率，保證結(jié)果的準(zhǔn)確性。算法總體框架如圖4所示，主要包括子模型與融合模型2大模塊。子模型部分由時(shí)域、頻域和空間域特征提取與分類組成；為了保證多域特征得到充分利用，決策融合部分通過D-S證據(jù)理論等權(quán)重將3個(gè)子模型的評(píng)估結(jié)果進(jìn)行融合。具體地，先將SVM子模型與CNN子模型的概率輸出結(jié)果進(jìn)行融合，再將子融合結(jié)果與BP網(wǎng)絡(luò)子模型進(jìn)行融合，從而得出最終的評(píng)估結(jié)果。

圖4 算法融合結(jié)構(gòu)Fig.4 Algorithm fusion structure diagram

根據(jù)D-S證據(jù)理論融合規(guī)則，融合識(shí)別算法的主要分析步驟如下。

第1步：將礦工的狀態(tài)分為4個(gè)等級(jí)并構(gòu)建集合組成識(shí)別框架Θ＝｛極差，差，良好，優(yōu)秀｝。

第2步：將SVM子模型、CNN子模型和BP網(wǎng)絡(luò)子模型的分類結(jié)果用作為D-S證據(jù)理論的概率分配函數(shù)，分別獲得4類狀態(tài)的基本概率賦值：mSVM（i）、mCNN（j）、mBP（w）。

第3步：融合SVM子模型和CNN子模型概率輸出結(jié)果。

式中 i，j，A∈Θ；Υ為碰撞因子：Υ ＝0表示概率分布函數(shù)不沖突；Υ ＝1表示概率函數(shù)分布函數(shù)完全沖突。Υ的表示如下

第4步：得到4種狀態(tài)對(duì)應(yīng)的m（A），即子融合結(jié)果。將子融合結(jié)果與BP網(wǎng)絡(luò)子模型的概率輸出結(jié)果進(jìn)行融合。

式中 B，w∈Θ；Υ′的表示如下。

第5步：找出代表4種狀態(tài)概率輸出結(jié)果的m（B）最大值，最大值為最終的評(píng)估結(jié)果。

4.3 融合結(jié)果分析

表4展示所有子模型以及融合評(píng)估算法的分類準(zhǔn)確率。文中將評(píng)估準(zhǔn)確率作為評(píng)價(jià)礦工精神狀態(tài)評(píng)估方法效果的依據(jù)，準(zhǔn)確率越高代表該方法評(píng)估礦工精神狀態(tài)效果好，準(zhǔn)確率越低表示該方法評(píng)估效果差，從而不能為煤礦企業(yè)提供準(zhǔn)確的礦工精神狀態(tài)評(píng)估依據(jù)。

表4 子模型與融合模型融合精度Table 4 Evaluation accuracy of sub-model and fusion model

在時(shí)域分析方法中，SVM子模型的評(píng)估準(zhǔn)確率較低，原因是受試者在腦電信號(hào)采集過程中容易受到環(huán)境等因素的干擾，導(dǎo)致時(shí)域波形特征包含了大量偽跡，從而影響最終的評(píng)估結(jié)果。在頻域分析方法中，CNN子模型具有較高的評(píng)估準(zhǔn)確率的原因是WPT提取的頻域特征通過能量譜腦地形圖表征化后，能量譜信息的變化與腦空間信息相互結(jié)合，很大程度上降低了輸入特征的維度，同時(shí)主觀地保留了腦電信號(hào)部分特征信息，從而提高了評(píng)估準(zhǔn)確率，實(shí)現(xiàn)通過頻域特征評(píng)估礦工精神狀態(tài)。在空間域分析方法中，相比于SVM子模型的評(píng)估結(jié)果，BP網(wǎng)絡(luò)子模型具有較好的評(píng)估準(zhǔn)確率；但相比于CNN子模型的評(píng)估結(jié)果，其并不具備優(yōu)勢(shì)。

通過決策融合后，礦工精神狀態(tài)評(píng)估準(zhǔn)確率為90.50%，比識(shí)別效果最好的CNN子模型的準(zhǔn)確率提高9.83%，比SVM子模型和BP網(wǎng)絡(luò)子模型分別提高23.00%和19.33%。礦工精神狀態(tài)評(píng)估結(jié)果有很大程度的提升，主要原因在于決策融合評(píng)估算法考慮腦電信號(hào)多維特征之間的關(guān)系進(jìn)而系統(tǒng)性地對(duì)礦工精神狀態(tài)進(jìn)行評(píng)估，從而提高礦工精神狀態(tài)的評(píng)估準(zhǔn)確率。

5 結(jié) 論

1）基于腦電信號(hào)時(shí)域、頻域、空間域特征實(shí)現(xiàn)精神狀態(tài)分類識(shí)別的效果為：CNN頻域子模型評(píng)估礦工精神狀態(tài)識(shí)別效果較優(yōu)；BP網(wǎng)絡(luò)空間域子模型評(píng)估礦工精神狀態(tài)效果次優(yōu)；SVM時(shí)域子模型評(píng)估礦工精神狀態(tài)效果第三優(yōu)。但是，3種相關(guān)分析方法評(píng)估準(zhǔn)確率相對(duì)過低，評(píng)估效果均不理想。

2）基于D-S證據(jù)理論融合評(píng)估算法融合3個(gè)子模型分類結(jié)果，充分利用多域特征信息，最終分類4種狀態(tài)的準(zhǔn)確率相對(duì)最優(yōu)，評(píng)估效果相對(duì)最好，為煤礦企業(yè)提供的參考依據(jù)相對(duì)最可靠。