反应时间预测模型构建方法、装置、设备及可读存储介质与流程

1.本发明涉及铁路技术领域，具体而言，涉及反应时间预测模型构建方法、装置、设备及可读存储介质。


背景技术：

2.高铁司机作业过程中警觉度下降是铁路安全在“人”这一层面所面临的关键问题之一。警觉度下降，会导致作业人员对突发事件的反应时间显著增长，在高速运行的环境下，反应时间的差距可能导致完全不同的后果。由于高铁驾驶特殊性，高铁司机作业过程中更容易发生警觉度下降的情况。为防止高铁司机作业过程中出现警觉度下降，中国高铁要求司机在作业过程中每30s内须踩一下应答脚踏装置，否则将触发紧急停车系统。该方法的局限在于高铁司机警觉度下降到触发紧急停车系统会有时间上的延迟，属于被动防护，且该监测方法会增加高铁司机的作业负荷，宜人性较差。


技术实现要素：

3.本发明的目的在于提供反应时间预测模型构建方法、装置、设备及可读存储介质，以改善上述问题。
4.为了实现上述目的，本技术实施例提供了如下技术方案：一方面，本技术实施例提供了反应时间预测模型构建，所述方法包括：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。
5.可选的，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。
6.可选的，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。
7.可选的，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。
8.可选的，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后，还包括：实时获取驾驶司机在真实行驶过程中的真实脑电数据和反应时间阈值，对所述真实脑电数据进行处理得到当前时刻下所述真实脑电数据所对应的特征指标；将所述当前时刻下所述真实脑电数据所对应的特征指标输入所述反应时间预测模型，得到当前时刻所述驾驶司机的反应时间；分析所述当前时刻所述驾驶司机的反应时间，若所述当前时刻所述驾驶司机的反应时间大于所述反应时间阈值，则发送控制命令，所述控制命令包括控制安装在驾驶室里面的警报装置发出警报的命令。
9.可选的，所述反应时间阈值的计算方法，包括：将每位所述测试司机在所述模拟驾驶过程中进行的所述反应测试任务的次数乘以75%，得到数值n，将每位所述测试司机所对应的全部所述反应时间按照从大到小的顺序进行排序，得到排序后的反应时间；将所述排序后的反应时间中位于第n位的反应时间作为每位所述测试司机的分析时间；将全部所述测试司机的所述分析时间相加，相加后取平均值得到所述反应时间阈值。
10.可选的，所述对所述真实脑电数据进行处理得到当前时刻下所述真实脑电数据所
对应的特征指标，包括：将在所述当前时刻之前的一时刻作为第二截取时刻，截取所述当前时刻与所述第二截取时刻之间的所述真实脑电数据，得到真实脑电数据截取段，用汉明窗对所述真实脑电数据截取段进行分割，得到分割后的真实脑电数据段；采用快速傅里叶变换算法对每一个所述真实脑电数据段进行时频转换，提取每个所述真实脑电数据段中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；将所述真实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；将所述真实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；将所述真实脑电数据截取段所对应的全部所述比值进行平均值计算，得到所述比值平均值；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当前时刻下所述真实脑电数据所对应的特征指标。
11.第二方面，本技术实施例提供了反应时间预测模型构建装置，所述装置包括第一获取模块、处理模块、第一计算模块和构建模块。
12.所述第一获取模块，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；所述处理模块，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；所述第一计算模块，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；所述构建模块，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。
13.可选的，所述处理模块，包括：过滤单元，用于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；去噪单元，用于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。
14.可选的，所述第一计算模块，包括：第一截取单元，用于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；第一计算单元，用于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；第二计算单元，用于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；第一定义单元，用于将所述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。
15.可选的，所述构建模块，包括：第一训练单元，用于基于所述数据集和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；第二训练单元，用于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。
16.可选的，所述装置，还包括：第二获取模块，用于实时获取驾驶司机在真实行驶过程中的真实脑电数据和反应时间阈值，对所述真实脑电数据进行处理得到当前时刻下所述真实脑电数据所对应的特征指标；输入模块，用于将所述当前时刻下所述真实脑电数据所对应的特征指标输入所述反应时间预测模型，得到当前时刻所述驾驶司机的反应时间；分析模块，用于分析所述当前时刻所述驾驶司机的反应时间，若所述当前时刻所述驾驶司机的反应时间大于所述反应时间阈值，则发送控制命令，所述控制命令包括控制安装在驾驶室里面的警报装置发出警报的命令。
17.可选的，所述装置，还包括：排序模块，用于将每位所述测试司机在所述模拟驾驶过程中进行的所述反应测试任务的次数乘以75%，得到数值n，将每位所述测试司机所对应的全部所述反应时间按照从大到小的顺序进行排序，得到排序后的反应时间；定义模块，用于将所述排序后的反应时间中位于第n位的反应时间作为每位所述测试司机的分析时间；第二计算模块，用于将全部所述测试司机的所述分析时间相加，相加后取平均值得到所述反应时间阈值。
18.可选的，所述第二获取模块，包括：第二截取单元，用于将在所述当前时刻之前的一时刻作为第二截取时刻，截取所述当前时刻与所述第二截取时刻之间的所述真实脑电数据，得到真实脑电数据截取段，用汉明窗对所述真实脑电数据截取段进行分割，得到分割后的真实脑电数据段；第三计算单元，用于采用快速傅里叶变换算法对每一个所述真实脑电数据段进行时频转换，提取每个所述真实脑电数据段中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；第四计算单元，用于将所述真实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；将所述真实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；将所述真实脑电数据截取段所对应的全部所述比值进行平均值计算，得到所述比值平均值；第二定义单元，用于将所述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当前时刻下所述真实脑电数据所对应的特征指标。
19.第三方面，本技术实施例提供了反应时间预测模型构建设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述反应时间预测模型构建方法的步骤。
20.第四方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述反应时间预测模型构建方法的步骤。
21.本发明的有益效果为：1、本发明以司机脑电数据为输入，通过本发明构建的反应时间预测模型，预测其对突发刺激的反应时间，而对偶然刺激的反应时间是高铁司机警觉度水平的一个外在客观表现，以此来实现对高铁司机警觉度的检测。
22.2、本发明基于 stacking 集成学习可以有效提升在少量脑电信号为输入的情况下对高铁司机警觉度检测的准确性和稳定性。
23.3、本发明中构建的反应时间预测模型能有效且可靠的对高铁司机警觉度进行实时检测，进而进行针对性的处理，通过此种方式可以提高高铁运行的安全性。
24.本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
25.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
26.图1是本发明实施例中所述的反应时间预测模型构建方法流程示意图；图2是本发明实施例中所述的反应时间预测模型构建装置结构示意图；图3是本发明实施例中所述的反应时间预测模型构建设备结构示意图。
具体实施方式
27.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施
例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
28.应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
29.实施例1如图1所示，本实施例提供了反应时间预测模型构建方法，该方法包括步骤s1、步骤s2、步骤s3和步骤s4。
30.步骤s1、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；步骤s2、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；步骤s3、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；步骤s4、基于所述数据集和stacking集成学习得到反应时间预测模型。
31.在本实施例中，对所述测试司机进行模拟驾驶时，采用大型6自由度 crh380 动车驾驶模拟器进行模拟驾驶，该模拟器采用单通道大屏前向视景系统，配置全仿真的空调系统、照明系统与数字音频发声系统，可高仿真模拟动车运行时的微气候和背景声音环境；在模拟驾驶过程中，实验任务采用双任务范式，主任务为对机车的正常驾驶，次任务为对随机信号的检测。模拟实验线路为京沪线（北京南至徐州东站），总长度688km。主任务中要求被试根据模拟限速要求按300~350km/h 的速度运行，中间不进行停站操作。次任务要求被试正常驾驶的同时对一些随机刺激进行反应。具体来说，当列车司机发现车内仪表信号灯为红色时，立刻踩一下脚踏装置。红灯信号刺激以随机间隔时间（60
±
15s）出现，在被试踩下反应踏板后立即变为绿灯。模拟实验总时长约2小时，次任务共计包含100次随机信号检测任务。本实施例中，40名熟悉该段运行线路的男性高铁司机参与了本次测试，年龄在28
‑
42岁之间，平均年龄36（
±
5.2）岁。
32.实验中脑电数据由compumedics公司的neuroscan64导脑电采集系统及64导电极帽采集，电极分布依据脑电学会通用的 10
‑
20 系统标准设置。脑电数据采集时要求电极阻抗低于5k，以左侧乳突作为参考电极，采样率为1000hz，并设置带宽为0.5~100hz的带通滤波器进行自动滤波。其中，每位所述测试司机对每次所述反应测试任务的反应时间由驾驶模拟器自动计算得到，反应时间为次任务刺激出现至司机踩下反应踏板所经过的时间。
33.本实施例提出一种基于stacking 集成学习的反应时间预测模型构建的方法，集成学习是一种新的机器学习范式，将多个不同的单预测模型组合成一个模型，利用这些单个模型之间的差异，来改善模型的泛化性能，提高预测精度；本实施例中以司机脑电数据为输入，预测其对突发刺激的反应时间，以此来实现对高铁司机警觉度无级化估计；通过本实
施例中构建的反应时间预测模型可以预测高铁司机在真实行驶过程中的反应时间，而对偶然刺激的反应时间是高铁司机警觉度水平的一个外在客观表现，因此可以实现对高铁司机的警觉度检测。
34.在本实施例中，在进行数据选取时，还可以选取位于大脑的枕区和顶区的部分高敏感电极提取数据，具体选取 pz，p1，p2，poz，po3，po4， oz，o1，o2 这九个电极所对应的脑电数据进行分析，相当于每个测试司机对应有9组脑电数据。
35.在本公开的一种具体实施方式中，所述步骤s2，还可以包括步骤s21和步骤s22。
36.步骤s21、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；步骤s22、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。
37.在本实施例中，通过对所述脑电数据进行过滤和去噪处理，可以得到更加纯净的脑电数据，进而有利于提高所述反应时间预测模型的预测准确性。
38.在本公开的一种具体实施方式中，所述步骤s3，还可以包括步骤s31、步骤s32、步骤s33和步骤s34。
39.步骤s31、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；步骤s32、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；步骤s33、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；步骤s34、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。
40.本实施例，具体为：（1）以每次所述反应测试任务出现的时刻为基准，截取所述反应测试任务出现前2s的脑电数据用于该试次的特征提取，对该段数据用一个窗长为500ms的汉明窗以50%的overlap分割为3段，每个窗的数据作为特征分析单元；（2）采用快速傅里叶变换算法对一个汉明窗内的脑电数据进行时频转换，计算 alpha波的功率谱密度、beta波的功率谱密度，计算alpha波的功率谱密度与beta波的功率谱密度的比值；（3）对三个时间窗内计算得到的alpha波的功率谱密度进行平均值计算，对三个时间窗内计算得到的beta波的功率谱密度进行平均值计算，对三个时间窗内计算得到的比值进行平均值计算，得到该试次的三个特征指标；
本实施例中，包含40名测试司机，每名司机进行的反应测试的任务为100次，对每名测试司机采取9个电极的脑电数据，每个反应测试任务对应3个特征指标，则数据集中的自变量的维度为4000
×
27。
41.在本公开的一种具体实施方式中，所述步骤s4，还可以包括步骤s41和步骤s42。
42.步骤s41、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；步骤s42、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。
43.本实施用数据集训练第一层预测模型，每个模型各自输出预测结果，再以第一层模型输出的数据为第二层模型的输入，由第二层模型输出最终预测结果。通过对不同模型的输出进行泛化，以获取整体预测精度的提升。在对第一层中的每个模型进行训练时均是将数据集分为4份，采用4交叉验证训练每个模型，得到每个模型的输出。
44.在本公开的一种具体实施方式中，所述步骤s4后，还可以包括步骤s5、步骤s6和步骤s7。
45.步骤s5、实时获取驾驶司机在真实行驶过程中的真实脑电数据和反应时间阈值，对所述真实脑电数据进行处理得到当前时刻下所述真实脑电数据所对应的特征指标；步骤s6、将所述当前时刻下所述真实脑电数据所对应的特征指标输入所述反应时间预测模型，得到当前时刻所述驾驶司机的反应时间；步骤s7、分析所述当前时刻所述驾驶司机的反应时间，若所述当前时刻所述驾驶司机的反应时间大于所述反应时间阈值，则发送控制命令，所述控制命令包括控制安装在驾驶室里面的警报装置发出警报的命令。
46.本实施例将所述反应时间预测模型进行实际的利用时，实时采集驾驶司机在驾驶过程中的脑电数据，具体通过emotiv头盔进行脑电数据的采集，采集后通过所述反应时间预测模型，就能得到当前时刻所述驾驶司机的反应时间；将计算得到的反应时间与反应时间阈值进行分析，即可以实现对司机警觉度的实时监控。
47.在本公开的一种具体实施方式中，所述方法，还可以包括步骤s8、步骤s9和步骤s10。
48.步骤s8、将每位所述测试司机在所述模拟驾驶过程中进行的所述反应测试任务的次数乘以75%，得到数值n，将每位所述测试司机所对应的全部所述反应时间按照从大到小的顺序进行排序，得到排序后的反应时间；步骤s9、将所述排序后的反应时间中位于第n位的反应时间作为每位所述测试司机的分析时间；步骤s10、将全部所述测试司机的所述分析时间相加，相加后取平均值得到所述反应时间阈值。
49.在本实施例中，例如每位所述测试司机在所述模拟驾驶过程中进行的所述反应测试任务的次数为100次，那么数值n为75，模拟驾驶完成之后，每位测试司机即会有100个反
应时间，将这100个反应时间进行排序，排序后将位于第75位的反应时间作为分析时间，通过本实施例中的方法可以得到准确和更贴近实际的反应时间阈值。
50.在本公开的一种具体实施方式中，所述步骤s5，还可以包括步骤s51、步骤s52、步骤s53和步骤s54。
51.步骤s51、将在所述当前时刻之前的一时刻作为第二截取时刻，截取所述当前时刻与所述第二截取时刻之间的所述真实脑电数据，得到真实脑电数据截取段，用汉明窗对所述真实脑电数据截取段进行分割，得到分割后的真实脑电数据段；步骤s52、采用快速傅里叶变换算法对每一个所述真实脑电数据段进行时频转换，提取每个所述真实脑电数据段中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；步骤s53、将所述真实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；将所述真实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；将所述真实脑电数据截取段所对应的全部所述比值进行平均值计算，得到所述比值平均值；步骤s54、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当前时刻下所述真实脑电数据所对应的特征指标。
52.在进行本实施例的步骤之前，还可以将所述真实脑电数据进行过滤和去噪，得到处理之后的数据，处理后再执行步骤s51
‑
步骤s54。
53.在本实施例中，将所述当前时刻前2s的时刻作为所述第二截取时刻。
54.实施例2如图2所示，本实施例提供了反应时间预测模型构建装置，所述装置包括第一获取模块701、处理模块702、第一计算模块703和构建模块704。
55.所述第一获取模块701，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；所述处理模块702，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；所述第一计算模块703，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；所述构建模块704，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。
56.本实施例以司机脑电数据为输入，通过本实施例构建的反应时间预测模型，预测其对突发刺激的反应时间，而对偶然刺激的反应时间是高铁司机警觉度水平的一个外在客观表现，以此来实现对高铁司机警觉度的检测。
57.在本公开的一种具体实施方式中，所述处理模块702，还包括过滤单元7021和去噪
单元7022。
58.所述过滤单元7021，用于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；所述去噪单元7022，用于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。
59.在本公开的一种具体实施方式中，所述第一计算模块703，还包括第一截取单元7031、第一计算单元7032、第二计算单元7033和第一定义单元7034。
60.所述第一截取单元7031，用于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；所述第一计算单元7032，用于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；所述第二计算单元7033，用于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；所述第一定义单元7034，用于将所述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。
61.在本公开的一种具体实施方式中，所述构建模块704，还包括第一训练单元7041和第二训练单元7042。
62.所述第一训练单元7041，用于基于所述数据集和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；所述第二训练单元7042，用于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。
63.在本公开的一种具体实施方式中，所述装置，还包括第二获取模块705、输入模块706和分析模块707。
64.所述第二获取模块705，用于实时获取驾驶司机在真实行驶过程中的真实脑电数据和反应时间阈值，对所述真实脑电数据进行处理得到当前时刻下所述真实脑电数据所对应的特征指标；所述输入模块706，用于将所述当前时刻下所述真实脑电数据所对应的特征指标
输入所述反应时间预测模型，得到当前时刻所述驾驶司机的反应时间；所述分析模块707，用于分析所述当前时刻所述驾驶司机的反应时间，若所述当前时刻所述驾驶司机的反应时间大于所述反应时间阈值，则发送控制命令，所述控制命令包括控制安装在驾驶室里面的警报装置发出警报的命令。
65.在本公开的一种具体实施方式中，所述装置，还包括排序模块708、定义模块709和第二计算模块710。
66.所述排序模块708，用于将每位所述测试司机在所述模拟驾驶过程中进行的所述反应测试任务的次数乘以75%，得到数值n，将每位所述测试司机所对应的全部所述反应时间按照从大到小的顺序进行排序，得到排序后的反应时间；所述定义模块709，用于将所述排序后的反应时间中位于第n位的反应时间作为每位所述测试司机的分析时间；所述第二计算模块710，用于将全部所述测试司机的所述分析时间相加，相加后取平均值得到所述反应时间阈值。
67.在本公开的一种具体实施方式中，所述第二获取模块705，还包括第二截取单元7051、第三计算单元7052、第四计算单元7053和第二定义单元7054。
68.所述第二截取单元7051，用于将在所述当前时刻之前的一时刻作为第二截取时刻，截取所述当前时刻与所述第二截取时刻之间的所述真实脑电数据，得到真实脑电数据截取段，用汉明窗对所述真实脑电数据截取段进行分割，得到分割后的真实脑电数据段；所述第三计算单元7052，用于采用快速傅里叶变换算法对每一个所述真实脑电数据段进行时频转换，提取每个所述真实脑电数据段中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；所述第四计算单元7053，用于将所述真实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；将所述真实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；将所述真实脑电数据截取段所对应的全部所述比值进行平均值计算，得到所述比值平均值；所述第二定义单元7054，用于将所述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当前时刻下所述真实脑电数据所对应的特征指标。
69.需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
70.实施例3相应于上面的方法实施例，本公开实施例还提供了反应时间预测模型构建设备，下文描述的反应时间预测模型构建设备与上文描述的反应时间预测模型构建方法可相互对应参照。
71.图3是根据一示例性实施例示出的反应时间预测模型构建设备800的框图。如图3所示，该反应时间预测模型构建设备800可以包括：处理器801，存储器802。该反应时间预测模型构建设备800还可以包括多媒体组件803，输入/输出(i/o)接口804，以及通信组件805中的一者或多者。
72.其中，处理器801用于控制该反应时间预测模型构建设备800的整体操作，以完成上述的反应时间预测模型构建方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该反应时间预测模型构建设备800的操作，这些数据例如可以包括用于在该反应时间预测模型构建设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read
‑
only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read
‑
only memory，简称eprom)，可编程只读存储器(programmable read
‑
only memory，简称prom)，只读存储器(read
‑
only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该反应时间预测模型构建设备800与其他设备之间进行有线或无线通信。无线通信，例如wi
‑
fi，蓝牙，近场通信(near fieldcommunication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：wi
‑
fi模块，蓝牙模块，nfc模块。
73.在一示例性实施例中，该反应时间预测模型构建设备800可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digitalsignal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的反应时间预测模型构建方法。
74.在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的反应时间预测模型构建方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由该反应时间预测模型构建设备800的处理器801执行以完成上述的反应时间预测模型构建方法。
75.实施例4相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的反应时间预测模型构建方法可相互对应参照。
76.一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的反应时间预测模型构建方法的步骤。
77.该可读存储介质具体可以为u盘、移动硬盘、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
78.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修
改、等同替换、改进等，均应包含在本发明的保护范围之内。