基于脑电信号的情景意识评估方法、装置及电子设备与流程

1.本技术涉及人因可靠性分析技术领域，尤其是涉及一种基于脑电信号的情景意识评估方法、装置及电子设备。


背景技术：

2.在对人员操作要求较高的航天航空领域，人员操作的正确与否对于许多高风险任务都有着较大的影响，而人因可靠性的研究也已经广泛地开展起来。目前，人因可靠性的研究已经深入到了认知领域，也即从认知的角度研究人员在操作中可能受到的影响，从而规避相应的风险。操作人员的认知过程也就是操作人员对当前情景的感知、理解和预测，也即情景意识，从情景意识的角度评估操作人员的人因可靠性是未来的研究趋势。然而，在实际评估中，情景意识的评估往往遇到较多的困难，例如：难以准确测量人员的情景意识、现有情景意识测量方法不客观、难以全面衡量各类因素的影响等，因此在这样的背景下为准确客观地测量情景意识从而评估人因可靠性带来了困难。


技术实现要素：

3.本技术的目的在于提供一种基于脑电信号的情景意识评估方法、装置及电子设备，能够利用脑电信号客观数据对被测人员的情景意识和人因可靠性进行准确全面地评估。
4.第一方面，本技术实施例提供一种基于脑电信号的情景意识评估方法，方法包括：获取第一被测人员的第一脑电信号数据和第一先验概率；其中，第一脑电信号数据为：对在多属性任务平台上根据目标任务场景进行情景意识预检测的第一被测人员进行脑电信号采集得到的；第一先验概率为根据情景意识预检测中的任务相关信息确定的至少一个先验概率；将第一脑电信号数据输入预先训练好的生理状态分类模型中，得到第一脑电信号数据对应的分类结果及分类精确度；根据分类结果及分类精确度、第一先验概率及预先构建的贝叶斯网络对第一被测人员进行认知可靠性评估，得到第一被测人员对应的情景意识和人因可靠性评估结果；贝叶斯网络为基于目标任务场景对应的情景意识影响因素构建的。
5.进一步地，上述生理状态分类模型的训练过程如下：获取多个第二被测人员的第二脑电信号数据和生理状态数据；其中，第二脑电信号数据为：对在多属性任务平台上进行情景意识实验的第二被测人员进行脑电信号采集得到的；生理状态数据为在实验前、实验中和/或实验预检测后对第二被测人员进行生理状态测量得到的；基于第二脑电信号数据和生理状态数据确定训练样本集；样本集中的样本包括多个脑电信号特征及每个脑电信号特征对应的生理状态标签；应用训练样本集中的样本对预设分类模型进行分类训练，得到生理状态分类模型。
6.进一步地，上述基于第二脑电信号数据和生理状态数据确定训练样本集的步骤，包括：利用套袋法对第二脑电信号数据进行有放回地重抽样，得到多个脑电信号样本集；从多个脑电信号样本集中提取与生理状态相关的脑电信号特征；根据生理状态数据确定每个
脑电信号特征对应的生理状态标签；生理状态标签包括：疲劳等级和/或情绪等级；将多个脑电信号特征及其对应的生理状态标签作为训练样本集。
7.进一步地，上述贝叶斯网络的构建过程如下：获取目标任务场景对应的情景意识影响因素；以预设的情景意识概念、人因可靠性概念和情景意识影响因素作为网络节点；根据网络节点间的因果关系，建立网络节点间的连接关系，形成贝叶斯网络；其中，情景意识影响因素至少包括以下之一：任务因素、环境因素、设备因素、个人因素；任务因素至少包括以下之一：训练、经验、任务时长、任务难度、任务顺序、协作；环境因素至少包括以下之一：温湿度、昼夜、光照；设备因素至少包括以下之一：设备操作性、设备准确性；个人因素至少包括以下之一：疲劳、情绪、体力和突发疾病；情景意识概念包括：名义情景意识和实际情景意识；人因可靠性概念包括：名义人因可靠性和实际人因可靠性；情景意识包括以下三阶段：感知、理解、预测；人因可靠性包括以下三阶段：认知、决策、执行。
8.进一步地，上述方法还包括：获取多个第二被测人员的任务操作数据、情景意识评价数据；任务操作数据为对在多属性任务平台上根据目标任务场景下的情景意识实验进行测试的第二被测人员的任务操作情况进行记录得到的；情景意识评价数据为通过中断方式对实验过程中的第二被测人员的情景意识进行评价得到的；根据任务操作数据、情景意识评价数据和生理状态数据进行统计，得到贝叶斯网络的条件概率表。
9.进一步地，上述根据分类结果及分类精确度、第一先验概率及预先构建的贝叶斯网络对被测人员进行认知可靠性评估，得到第一被测人员对应的情景意识和人因可靠性评估结果的步骤，包括：将分类精确度，确定为分类结果对应的生理状态的第二先验概率；将第一先验概率和第二先验概率代入贝叶斯网络进行计算与分析，得到第一被测人员对应的情景意识和人因可靠性评估结果。
10.进一步地，上述多属性任务平台上配置有多种任务场景分别对应的情景意识预检测实验；每个情景意识预检测实验包括以下至少一个元任务：系统监测、资源管理、光标追踪、数值监控、通讯、计划进度。
11.第二方面，本技术实施例还提供一种基于脑电信号的情景意识评估装置，装置包括：数据获取模块，用于获取第一被测人员的第一脑电信号数据和第一先验概率；其中，第一脑电信号数据为：对在多属性任务平台上根据目标任务场景进行情景意识预检测的第一被测人员进行脑电信号采集得到的；第一先验概率为根据情景意识预检测中的任务相关信息确定的至少一个先验概率；分类模块，用于将第一脑电信号数据输入预先训练好的生理状态分类模型中，得到第一脑电信号数据对应的分类结果及分类精确度；评估模块，用于根据分类结果及分类精确度、第一先验概率及预先构建的贝叶斯网络对被测人员进行认知可靠性评估，得到第一被测人员对应的情景意识和人因可靠性评估结果；贝叶斯网络为基于目标任务场景对应的情景意识影响因素构建的。
12.第三方面，本技术实施例还提供一种基于脑电信号的情景意识评估系统，系统包括多属性任务平台、脑电信号采集设备；脑电信号采集设备与多属性任务平台连接；脑电信号采集设备被配戴于被测人员的头部，用于采集被测人员的脑电信号数据；多属性任务平台用于提供多种任务场景分别对应的情景意识预检测实验，供被测人员进行预检测；多属性任务平台中安装有如权利要求8的基于脑电信号的情景意识评估装置，用于执行如权利要求1
‑
7任一项的方法的步骤。
13.第四方面，本技术实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述第一方面所述的方法。
14.第五方面，本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述第一方面所述的方法。
15.本技术实施例提供的基于脑电信号的情景意识评估方法、装置及电子设备中，首先获取第一被测人员的第一脑电信号数据和第一先验概率；其中，第一脑电信号数据为：对在多属性任务平台上根据目标任务场景进行情景意识预检测的第一被测人员进行脑电信号采集得到的；第一先验概率为根据情景意识预检测中的任务相关信息确定的至少一个先验概率；将第一脑电信号数据输入预先训练好的生理状态分类模型中，得到第一脑电信号数据对应的分类结果及分类精确度；然后根据分类结果及分类精确度、第一先验概率及预先构建的贝叶斯网络对第一被测人员进行认知可靠性评估，可以得到第一被测人员对应的情景意识和人因可靠性评估结果；本技术实施例中，由于贝叶斯网络是基于目标任务场景对应的情景意识影响因素构建的可以进行情景意识和人因可靠性评估的模型，因此，在对被测人员的在情景意识预检测过程中采集的脑电信号数据进行生理状态分类后，可以将分类精确度及预先获取的第一先验概率输入上述贝叶斯网络中进行分析，得到被测人员对应的情景意识和人因可靠性评估结果。
附图说明
16.为了更清楚地说明本技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施方式，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的附图。
17.图1为本技术实施例提供的一种基于脑电信号的情景意识评估方法的流程图；
18.图2为本技术实施例提供的一种分类模型训练方法的流程图；
19.图3为本技术实施例提供的一种网络构建方法的流程图；
20.图4为本技术实施例提供的一种部分贝叶斯网络构建情况示意图；
21.图5为本技术实施例提供的一种贝叶斯网络拓扑结构示意图；
22.图6为本技术实施例提供的一种先验概率确定过程示意图；
23.图7为本技术实施例提供的一种情景意识评估结果的示意图；
24.图8为本技术实施例提供的一种基于脑电信号的情景意识评估装置的结构框图；
25.图9为本技术实施例提供的另一种基于脑电信号的情景意识评估装置的结构框图；
26.图10为本技术实施例提供的一种基于脑电信号的情景意识评估系统的结构框图；
27.图11为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
28.下面将结合实施例对本技术的技术方案进行清楚、完整地描述，显然，所描述的实
施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
29.目前，在航天航空技术领域，由于人员操作的正确与否对于许多高风险任务都有着较大的影响，因而对人因可靠性的研究也变得广泛起来，甚至已经深入到了认知领域，也即从认知的角度研究人员在操作中可能受到的影响，从而规避相应的风险。操作人员的认知过程也就是操作人员对当前情景的感知、理解和预测，也即情景意识，从情景意识的角度评估操作人员的人因可靠性是未来的研究趋势。然而，在实际评估中，情景意识的评估往往遇到较多的困难，例如：难以准确测量人员的情景意识、现有情景意识测量方法不客观、难以全面衡量各类因素的影响等，因此在这样的背景下为准确客观地测量情景意识从而评估人因可靠性带来了困难。
30.基于此，本技术实施例提供一种基于脑电信号的情景意识评估方法、装置及电子设备，能够利用脑电信号客观数据对被测人员的情景意识和人因可靠性进行准确全面地评估。
31.为便于对本实施例进行理解，首先对本技术实施例所公开的一种基于脑电信号的情景意识评估方法进行详细介绍。
32.本技术实施可以应用于众多场景，这些场景包括在需要对操作人员的情景意识进行客观而全面的评价来确定人因可靠性的场景，例如民航飞行、军事航空、航天发射、核电站等。这是由于在航空航天以及核电产业往往具有很高的风险，而很多操作又不能完全离开人员的操作，因此人员出现失误或者组件出现故障都可能导致事故的发生，因此对这些场景中操作人员的情景意识和人因可靠性进行评估具有非常重要的意义。但由于这些场景往往不能支持现有中断式的情景意识测量方法，且过多地使用了主观量表等主观评价方法来进行评判，因此无法准确地从情景意识这一认知角度来对人因可靠性进行评价，影响了对人为失误的深入研究与应用。因此，在主观数据使用较为粗略或者不便而又想要通过客观生理数据对情景意识进行评估的场景中，可以采用本技术实施例中的方法来评估情景意识与人因可靠性，进而对操作人员可能导致的风险进行评估。可以理解的是，本技术实施例的应用场景不限于此。
33.为了能够进行各种不同任务场景下的情景意识评估，相关人员首先会整理相关历史资料，查阅相关文献，调研目标场景下对操作人员(即被测人员)情景意识有影响的因素，同时明确任务场景，在多属性任务平台上搭建能反映典型任务场景的仿真预检测实验。
34.调研资料与文献时至少应当包含个人因素、任务因素、环境因素、设备因素等对操作人员情景意识的影响，所选因素应当全面而清晰，能为后续评价模型提供合理的参考。多属性任务平台应当能包含操作人员各项操作对应的元任务，也即能从操作模式上对各类操作任务进行概括。
35.即上述多属性任务平台上预先配置有多种任务场景分别对应的情景意识预检测实验；每个情景意识预检测实验包括以下至少一个元任务：系统监测、资源管理、光标追踪、数值监控、通讯和计划进度。
36.图1为本技术实施例提供的一种基于脑电信号的情景意识评估方法的流程图，该方法是在评估模型已经训练好的情况下的一种具体应用，该方法具体包括以下步骤：
37.步骤s102，获取第一被测人员的第一脑电信号数据和第一先验概率。其中，第一脑电信号数据为：对在多属性任务平台上根据目标任务场景进行情景意识预检测的第一被测人员进行脑电信号采集得到的；第一先验概率为根据情景意识预检测中的任务相关信息确定的至少一个先验概率。
38.上述目标任务场景为多属性任务平台上配置的多种典型任务场景中的一种。第一被测人员也就是当前在多属性任务平台上进行目标任务场景下的情景意识预检测的被评估人员，在情景意识预检测过程中，可以采集该第一被测人员的脑电信号数据。脑电信号数据的采集可以使用能布置10
‑
20标准电极布置法的脑电采集设备，或者使用能针对特定生理状态对应脑电信号进行采集的设备。
39.上述第一先验概率为预先根据该目标任务场景下的情景意识预检测的任务相关信息确定的至少一个先验概率。比如，任务相关信息包括任务训练时长200小时，认为任务训练时长大于200小时，该被测人员为经验充足，小于200小时，被认为经验不充足。
40.步骤s104，将第一脑电信号数据输入预先训练好的生理状态分类模型中，得到第一脑电信号数据对应的分类结果及分类精确度。
41.生理状态分类模型为预先基于大量的训练样本训练好的分类模型，每个训练样本中包括脑电信号数据和其对应的生理状态标签。本技术实施例中，主要关注的生理状态是疲劳和情绪，因此，生理状态标签主要为被测人员的疲劳等级和/或情绪等级。
42.将上述第一被测人员的第一脑电信号数据输入到上述分类模型中进行预测，就可以得到第一脑电信号数据对应的分类结果，也就是生理状态，进一步可以确定出其分类精确度。
43.步骤s106，根据分类结果及分类精确度、第一先验概率及预先构建的贝叶斯网络对第一被测人员进行认知可靠性评估，得到第一被测人员对应的情景意识和人因可靠性评估结果。
44.上述贝叶斯网络为基于目标任务场景对应的情景意识影响因素构建的，且包括有条件概率表的评估模型，能够基于上述分类结果及分类精确度、第一先验概率进行计算分析，得到第一被测人员对应的情景意识和人因可靠性评估结果。具体地，可以将分类精确度，确定为分类结果对应的生理状态的第二先验概率；将第一先验概率和第二先验概率代入贝叶斯网络进行计算与分析，得到第一被测人员对应的情景意识和人因可靠性评估结果。
45.本技术实施例提供的基于脑电信号的情景意识评估方法中，首先获取第一被测人员的第一脑电信号数据和第一先验概率；其中，第一脑电信号数据为：对在多属性任务平台上根据目标任务场景进行情景意识预检测的第一被测人员进行脑电信号采集得到的；第一先验概率为根据情景意识预检测中的任务相关信息确定的至少一个先验概率；将第一脑电信号数据输入预先训练好的生理状态分类模型中，得到第一脑电信号数据对应的分类结果及分类精确度；然后根据分类结果及分类精确度、第一先验概率及预先构建的贝叶斯网络对第一被测人员进行认知可靠性评估，可以得到第一被测人员对应的情景意识和人因可靠性评估结果；本技术实施例中，由于贝叶斯网络是基于目标任务场景对应的情景意识影响因素构建的可以进行情景意识和人因可靠性评估的模型，因此，在对被测人员在情景意识预检测过程中采集的脑电信号数据进行生理状态分类后，可以将分类精确度及预先获取的
第一先验概率输入上述贝叶斯网络中进行分析，得到被测人员对应的情景意识和人因可靠性评估结果。
46.本技术实施例还提供另一种基于脑电信号的情景意识评估方法，该方法在上述实施例的基础上实现；本实施例重点描述生理状态分类模型的训练过程及贝叶斯网络的构建过程。
47.上述生理状态分类模型的训练过程如下，参见图2所示：
48.步骤s202，获取多个第二被测人员的第二脑电信号数据和生理状态数据。其中，第二脑电信号数据为：对在多属性任务平台上进行情景意识实验的第二被测人员进行脑电信号采集得到的；生理状态数据为在实验前、实验中和/或实验后对第二被测人员进行生理状态测量得到的。
49.需要说明的是，本技术实施例中，在模型训练过程中的情景意识实验中的“实验”和模型应用过程中的情景意识预检测中的“预检测”是一样的，只是叫法不同，即预检测本质上就是实验，只不过在模型应用过程中用预检测来代替第一被测人员的实际使用以凸显其实用性。
50.步骤s204，基于第二脑电信号数据和生理状态数据确定训练样本集。样本集中的样本包括多个脑电信号特征及每个脑电信号特征对应的生理状态标签。
51.具体地，利用套袋法对第二脑电信号数据进行有放回地重抽样，得到多个脑电信号样本集；从多个脑电信号样本集中提取与生理状态相关的脑电信号特征；根据生理状态数据确定每个脑电信号特征对应的生理状态标签；生理状态标签包括：疲劳等级和/或情绪等级；将多个脑电信号特征及其对应的生理状态标签作为训练样本集。
52.在本技术实施例所提出的实验中收集的脑电数据往往存在着一些特点：实验人数和次数较少，而脑电特征则由于每次能收集二三十个导联，每个导联上都有至少数十个特征可供选择，这也就导致了数据集的样本量远远小于特征数目，因此需要利用上述套袋法对数据集进行有放回地重抽样而扩大数据集，同时每次针对子训练集也可以抽样选择特征，从而解决这一问题。
53.步骤s206，应用训练样本集中的样本对预设分类模型进行分类训练，得到生理状态分类模型。
54.本技术实施例中，选择与生理状态相关的脑电信号特征，利用基于bagging(套袋法)的机器学习方法来训练分类模型，用分类正确率、精确率、灵敏度等指标来对模型进行评价与选择，最终得到合适的分类模型。
55.优选地，数据挖掘算法有支持向量机、k最近邻分类、决策树、朴素贝叶斯、神经网络等可以选择，而选择决策树时形成的集成算法则被称为随机森林算法，这是一种常见的基于bagging的集成算法。
56.具体地，针对训练出的训练模型可以通过不同的方法来进行评价，而常见的评价指标包括：正确率、精确率、灵敏度、特异度、f1值、roc曲线等，其中的精确率是重要的指标，而且也是本技术后续用于结合贝叶斯网络的关键所在。
57.上述贝叶斯网络的构建过程如下，参见图3所示：
58.步骤s302，获取目标任务场景对应的情景意识影响因素。其中，情景意识影响因素至少包括以下之一：任务因素、环境因素、设备因素、个人因素；任务因素至少包括以下之
一：训练、经验、任务时长、任务难度、任务顺序、协作；环境因素至少包括以下之一：温湿度、昼夜、光照；设备因素至少包括以下之一：设备操作性、设备准确性；个人因素至少包括以下之一：疲劳、情绪、体力和突发疾病。
59.步骤s304，以预设的情景意识、人因可靠性概念和情景意识影响因素作为网络节点。
60.除了前述应当考虑的各类情景意识影响因素外，本技术实施例还提出了名义情景意识和实际情景意识、名义人因可靠性和实际人因可靠性这两组概念，即上述预设情景意识和人因可靠性概念。情景意识可以分为感知、理解、预测三个阶段，从理论上讲，情景意识的形成是一环套一环的，如果不能正确地感知周围的环境，那么也就不能对当前情景形成正确的理解，也就不能对该情景形成正确的判断，从而形成正确的预测。然而，在实际中，错误的感知下却仍然有可能形成正确的理解和预测，错误的理解不会一定导致错误的预测。如果不考虑这些异常情况是不完善地，但如果完全当做异常态数据处理又会与实际情况产生偏差，因此本技术实施例提出了这一概念，同理，人因可靠性可以包括认知、决策、执行三个阶段，和前述情景意识过程有类似之处。需要说明的是，人因可靠性中包括的认知也就是前述的情景意识，这一部分的贝叶斯网络的构建情况如图4所示，图4中，名义人员操作即为上述名义人因可靠性，实际人员操作即为上述实际人因可靠性。
61.步骤s306，根据网络节点间的因果关系，建立网络节点间的连接关系，形成贝叶斯网络。图5示出了贝叶斯网络的拓扑结构，从图中可以看出各网络节点间的连接关系即因果关系。
62.另外，在构建好贝叶斯网络拓扑结构后，还需要进一步确定其条件概率表，具体的过程如下：
63.在上述训练分类模型时，获取过多个第二被测人员的第二脑电信号数据和生理状态数据，为了计算贝叶斯网络的条件概率，还需要同时获取多个第二被测人员的任务操作数据、情景意识评价数据；该任务操作数据为对在多属性任务平台上根据目标任务场景下的情景意识实验进行测试的第二被测人员的任务操作情况进行记录得到的；情景意识评价数据为通过中断方式对实验过程中的第二被测人员的情景意识进行评价得到的；然后再根据任务操作数据、情景意识评价数据和生理状态数据进行统计，得到贝叶斯网络的条件概率表。
64.实际应用中，依据预检测实验设计方法明确实验方案、选择实验人员，在多属性任务平台上依据仿真场景开展情景意识实验，收集量表数据以及脑电信号数据。
65.实验设计方法包含实验人员、实验设备、实验分组、实验流程以及注意事项等，同时实验中所考虑的影响因素至少应当包含能被脑电信号所判别且对情景意识有较大影响的生理状态，例如疲劳、情绪等。
66.优选地，如前所述主要的生理状态如疲劳和情绪应当被考虑到实验影响因素中，同时非生理状态的一些因素也可以被一起考虑，例如任务时长、任务难度、任务顺序等。上述实验影响因素应当使用正交设计方法来考虑不同因素的影响，同时在同组实验设置多人多次进行实验时也应当利用拉丁方格来消除练习效应。
67.具体地，任务类型的影响因素可以在任务流程设计时进行较为准确的设定，而人员生理状态的影响因素则会因为人员的个体差异性而在相同的诱发条件下产生不同的诱
发结果，例如同样剥夺睡眠4小时会使得不同的人产生不同程度的疲劳变化，因此在设置分组时可以设置不同的诱发条件但在正式实验前需要对诱发的效果进行量表检验，例如使用嗜睡量表检测睡眠剥夺对被试者带来的疲劳影响、利用心境量表检测不同视听刺激对被试者带来的情绪影响等。
68.需要说明的是，脑电采集设备应当尽可能多地采集人员在操作时的脑电信号，同时又不应当影响到人员的正常操作。
69.情景意识评价数据是被测人员以及主试人员对操作过程中的任务与状态的主观评价，评价数据至少应当包含生理状态的相关量表评价数据、任务的评价数据等。
70.具体地，评价数据可以包括各类能对生理状态进行评价的量表，例如疲劳相关的嗜睡量表和工作负荷量表、情绪相关的心境量表等。此外，能对被试完成任务的情况进行评价的数据也应当这一步骤中进行收集，例如任务完成的时间、操作精度、操作的偏差等。
71.情景意识与人因可靠性的评估贝叶斯模型中需要考虑由脑电信号分类的生理状态、其他生理状态、非生理状态等影响因素，其中情景意识与人因可靠性均应包含三阶段以及名义和实际两组概念。前述贝叶斯网络的先验概率与条件概率表的确定又可以分为：与分类模型相关的先验概率由分类结果和对应的分类精确度确定；与分类模型无关的其他先验概率可以通过历史数据、专家评估数据和实验数据得到；与实验相关的条件概率表能够通过实验中的相应数据进行统计；而其他条件概率表可以通过具体层次间的关系选择加权距离或者逻辑门的方式给定。
72.具体地，与分类模型相关的先验概率由分类结果和对应的分类精确度确定是指在训练好模型后即可以使用模型，使用时将样本输入到分类模型中，得到分类的结果以及对应的分类精确度，而这一分类精确度即可在贝叶斯网络中作为该生理状态的先验概率。上述步骤如图6所示。
73.具体地，与实验相关的条件概率表的统计利用到的数据包括生理状态、对应的由情景意识量表统计出的多阶段正确率、对应的人因操作正确率等，通过多次实验即可对条件概率表进行完整的统计。
74.优选地，其他条件概率表的确定可以根据具体的逻辑进行判断，例如对于一旦有一个父节点出现不利影响就会导致子节点不利的逻辑可以用噪声或门的逻辑进行给定，而共同影响的逻辑可以用加权距离的方式进行条件概率表的给定。以上示例仅仅提供两种常见情景的思路，不代表本技术只能应用这两种方法确定条件概率表。
75.对得到的贝叶斯网络进行独立性检验、先验推理、后验推理、影响强度与灵敏度分析等，最终对操作人员的情景意识与人因可靠性进行评估，对相应场景的风险进行分析，帮助监测与管理人因风险，减少事故的发生。
76.具体地，贝叶斯网络应当保证有向无环且节点之间条件独立，前者可以在建立贝叶斯网络拓扑结构时得到保证，后者则可以通过互信息值进行参数的独立性检验。在得到完整贝叶斯网络后可以从前往后进行先验推理，也即通过根节点的先验概率和条件概率表推导后续节点的概率，或者进行从后往前的后验推理，也即通过叶节点的概率和条件概率表逆推根节点的后验概率。此外，还可进行影响强度与灵敏度分析来分析关键影响路径和关键影响因素。
77.由于本技术实施例可以应用于多种场景，下面结合具体的民航飞行员执行飞行任
务的场景来描述具体实施例。
78.民航飞行在生活中的应用越来越广泛，也引起了民众、公司或相关单位对于飞行安全的关注，其中，民航飞行员更是影响安全飞行的主要因素。如何客观全面地衡量飞行员在飞行场景中的情景意识则成为了亟待解决的问题。
79.(1)本技术实施例进行了充分调研，收集了该场景下的情景意识影响因素并建立表格明确各因素之间的相互影响关系(即因果关系)，每个因素按照顺序被列在表格的横标题和纵标题中表中，如表1所示，横向因素表示作用对象，纵向因素表示被作用对象。
“●”
代表左侧节点影响上方节点，
“○”
代表左侧节点被上方节点影响。这样，有相互关系的因素即可在贝叶斯网络的拓扑结构中将两个节点相连并且表明指向关系。
80.表1
[0081][0082][0083]
(2)根据具体实施例背景特点，实施例选择了nasa
‑
matb
‑
ii作为实验平台，该平台能模拟所需要的民航飞行任务，根据需要，本实施例的飞行任务为“起飞——平飞——降落”三段，每一段涉及到不同方式的任务，同时会穿插一部分对于意外情况的处理，总时长12分钟。
[0084]
(3)本技术实施例选择了疲劳与情绪这两类主要的生理状态进行考虑，同时将任
务的各类影响进行综合考虑，统一设置为任务难度，每个因素包含两水平，因此采用l4(23)正交表设计实验分组如表2所示，每组选择2～4名受试者进行实验。具体地，疲劳因素采用睡眠剥夺的方式设置分组，情绪因素则采用实验前分别接受积极与消极的视听刺激来设置分组，任务难度通过任务相应频率、任务密集程度、任务难度等进行确定。同时采用量表对诱发效果进行检验。
[0085]
表2
[0086][0087]
(4)本技术实施例采用32导联半干电极脑电采集设备对操作人员的脑电信号进行采集，该设备能完全覆盖10
‑
20标准电极布置法的电极电位。
[0088]
(5)收集被试在实验前、实验中断时和实验后的各类量表数据。实验前的疲劳用斯坦福嗜睡量表和卡罗林斯卡嗜睡量表进行检验，实验中和实验后的精神疲劳用工作负荷量表进行检验，情绪则使用简式心境量表进行检验，情景意识使用针对任务场景专门设计的情景意识全局评估技术量表和三维情景意识量表进行检验。此外，对于任务完成情况的评价数据也应当被一起收集储存。
[0089]
(6)结合本技术实施例的数据特点，选用了随机森林算法来生成生理状态分类模型，在通过评价方法确定好最终的模型后，可将目标数据代入到模型中，求得分类结果以及对应的分类精确度，将分类精确度作为后续贝叶斯网络先验概率的一部分输入。
[0090]
(7)在本技术实施例中，与疲劳与情绪这两个由生理数据确定的因素的先验概率由分类精确度给出，而与实验相关的条件概率表则通过统计的方式得到。对于其他一些因素的先验概率则通过查询历史数据或给定方法的专家评估得到。对于本技术实施例中的不同层次的条件概率表通过不同的方式确定。例如，任务因素、环境因素、设备因素属于汇总节点，其条件概率表依据“噪声或”门的逻辑给出，而这些汇总因素对情景意识与操作过程的影响则通过加权距离的方式给出，情景意识与人员操作部分的条件概率表根据逻辑进行判断并根据实际进行相应调整。
[0091]
(8)最终经过上述步骤可以得到基于脑电信号的情景意识评估的贝叶斯网络及其推理的结果，如图7所示。在此基础上可以进行前述的各类计算与分析，从而对民航飞行员的情景意识与人因可靠性进行评估，此处不再详细赘述。
[0092]
本技术实施例提供一种基于脑电信号的情景意识评估方法，通过整理历史资料、查阅相关文献，调研该场景下对操作人员情景意识有影响的因素，同时明确任务场景，在多属性任务平台上搭建能反映典型任务场景的仿真实验；依据实验设计方法明确实验方案、选择实验人员，在多属性任务平台上依据仿真场景开展情景意识实验，收集量表数据以及脑电信号数据；利用机器学习方法训练出生理状态分类模型，利用贝叶斯网络融合该分类模型已经其他一些影响因素形成贝叶斯网络，通过对得到的贝叶斯网络进行检验、推理、分析来对情景意识与人因可靠性进行评估。
[0093]
基于上述方法实施例，本技术实施例还提供一种基于脑电信号的情景意识评估装
置，参见图8所示，该装置包括：数据获取模块802，用于获取第一被测人员的第一脑电信号数据和第一先验概率；其中，第一脑电信号数据为：对在多属性任务平台上根据目标任务场景进行情景意识预检测的第一被测人员进行脑电信号采集得到的；第一先验概率为根据情景意识预检测中的任务相关信息确定的至少一个先验概率；分类模块804，用于将第一脑电信号数据输入预先训练好的生理状态分类模型中，得到第一脑电信号数据对应的分类结果及分类精确度；评估模块806，用于根据分类结果及分类精确度、第一先验概率及预先构建的贝叶斯网络对被测人员进行认知可靠性评估，得到第一被测人员对应的情景意识和人因可靠性评估结果；贝叶斯网络为基于目标任务场景对应的情景意识影响因素构建的。
[0094]
本技术实施例提供一种基于脑电信号的情景意识评估装置，通过整理历史资料、查阅相关文献，调研该场景下对操作人员情景意识有影响的因素，同时明确任务场景，在多属性任务平台上搭建能反映典型任务场景的仿真实验；依据实验设计方法明确实验方案、选择实验人员，在多属性任务平台上依据仿真场景开展情景意识实验，收集量表数据以及脑电信号数据；利用机器学习方法训练出生理状态分类模型，利用贝叶斯网络融合该分类模型已经其他一些影响因素形成贝叶斯网络，通过对得到的贝叶斯网络进行检验、推理、分析来对情景意识与人因可靠性进行评估。
[0095]
在另一种实施方式中，参见图9所示，上述装置还包括：模型训练模块808，用于获取多个第二被测人员的第二脑电信号数据和生理状态数据；其中，第二脑电信号数据为：对在多属性任务平台上进行情景意识实验的第二被测人员进行脑电信号采集得到的；生理状态数据为在实验前、实验中和/或实验后对第二被测人员进行生理状态测量得到的；基于第二脑电信号数据和生理状态数据确定训练样本集；样本集中的样本包括多个脑电信号特征及每个脑电信号特征对应的生理状态标签；应用训练样本集中的样本对预设分类模型进行分类训练，得到生理状态分类模型。
[0096]
上述模型训练模块808，还用于利用套袋法对第二脑电信号数据进行有放回地重抽样，得到脑电信号样本集；从脑电信号样本集中提取与生理状态相关的脑电信号特征；根据生理状态数据确定每个脑电信号特征对应的生理状态标签；生理状态标签包括：疲劳等级和/或情绪等级；将多个脑电信号特征及其对应的生理状态标签作为训练样本集。
[0097]
上述装置还包括：网络构建模块810，用于获取目标任务场景对应的情景意识影响因素；以预设有情景意识概念、人因可靠性概念和情景意识影响因素作为网络节点；根据网络节点间的因果关系，建立网络节点间的连接关系，形成贝叶斯网络；其中，情景意识影响因素至少包括以下之一：任务因素、环境因素、设备因素、个人因素；任务因素至少包括以下之一：训练、经验、任务时长、任务难度、任务顺序、协作；环境因素至少包括以下之一：温湿度、昼夜、光照；设备因素至少包括以下之一：设备操作性、设备准确性；个人因素至少包括以下之一：疲劳、情绪、体力和突发疾病；情景意识概念包括：名义情景意识和实际情景意识；人因可靠性概念包括：名义人因可靠性和实际人因可靠性；情景意识包括以下三阶段：感知、理解、预测；人因可靠性包括以下三阶段：认知、决策、执行。
[0098]
上述装置还包括：概率表确定模块812，用于获取多个第二被测人员的任务操作数据、情景意识评价数据；任务操作数据为对在多属性任务平台上根据目标任务场景下的情景意识实验进行测试的第二被测人员的任务操作情况进行记录得到的；情景意识评价数据为通过中断方式对实验过程中的第二被测人员的情景意识进行评价得到的；根据任务操作
数据、情景意识评价数据和生理状态数据进行统计，得到贝叶斯网络的条件概率表。
[0099]
上述概率表确定模块812还包括评价数据采集模块，用于采集实验中的评价数据，这部分装置应当内置有前述方法中所需的各类量表，同时能够通过界面交互式的方式调用这些量表并在完成评价后将数据进行储存。具体可参见上述方法实施例中的描述，为避免重复，此处适当省略详细描述。
[0100]
上述评估模块806还用于：将分类精确度，确定为分类结果对应的生理状态的第二先验概率；将第一先验概率和第二先验概率代入贝叶斯网络进行计算与分析，得到第一被测人员对应的情景意识和人因可靠性评估结果。
[0101]
上述多属性任务平台上配置有多种任务场景分别对应的情景意识预检测实验；每个情景意识预检测实验包括以下至少一个元任务：系统监测、资源管理、光标追踪、数值监控、通讯、计划进度。
[0102]
本技术实施例提供的基于脑电信号的情景意识评估装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置的实施例部分未提及之处，可参考前述基于脑电信号的情景意识评估方法实施例中相应内容。
[0103]
基于上述方法实施例和装置实施例，本技术实施例还提供一种基于脑电信号的情景意识评估系统，参见图10所示，该系统包括多属性任务平台102和脑电信号采集设备104；脑电信号采集设备104与多属性任务平台102连接；脑电信号采集设备104被配戴于被测人员的头部，用于采集被测人员的脑电信号数据；多属性任务平台102用于提供多种任务场景分别对应的情景意识预检测实验，供被测人员进行预检测；多属性任务平台102中安装有上述基于脑电信号的情景意识评估装置1021，用于执行如方法实施例中的方法的步骤。
[0104]
上述脑电信号采集设备主要包括各类脑电采集设备用于采集被测人员在预检测过程中的脑电信号，脑电信号采集设备包括但不限于各类干式电极设备、湿式电极设备、半干式电极设备等。多属性任务平台中还配置有实验单元、添加单元。其中，实验单元，被配置为可进行制定场景与任务下的情景意识预检测实验，提供了被测人员的实验场景，包括满足多属性任务平台设备需求的显示器、操作杆、键盘、鼠标、音频输出设备等，此外也能提供预设的量表供被试与主试对实验过程中的情景意识、生理状态的主观评价进行采集，其中使用的各类量表均嵌入到实验单元中，每次实验可供调用；添加单元，被配置为添加影响情景意识与人因可靠性的影响因素的影响关系以及多类多来源的数据，其中，部分数据由前述实验单元的数据导入，其他数据则通过在预设的数据库中调用或者由所设置的输入界面输入。添加单元的装置应当包括数据的导入、输入的功能，保证能够将各类所需要的信息输入进去，具体的交互界面只要能满足上述需求即可。
[0105]
本技术实施例提供的基于脑电信号的情景意识评估系统，通过多属性任务平台为情景意识实验提供实验任务，并利用脑电采集设备采集脑电信号，结合实验中的评价数据通过机器学习的方式得到影响人员操作的生理状态的分类模型，然后利用贝叶斯网络融合该分类模型以及其他一些影响因素，并从名义与实际的角度考虑了多阶段的影响，从而最终完成对情景意识与人因可靠性的评价。这一系统利用了客观的生理数据来对人员的情景意识进行评估，能更有效地评估诸如疲劳与情绪这类重要的生理状态对操作的影响，又充分完整地考虑了各类影响因素，为检测与管理人员操作风险提供了指导。
[0106]
本技术实施例提供的基于脑电信号的情景意识评估系统，其实现原理及产生的技
术效果和前述方法实施例相同，为简要描述，系统的实施例部分未提及之处，可参考前述基于脑电信号的情景意识评估方法实施例中相应内容。
[0107]
本技术实施例还提供了一种电子设备，如图11所示，为该电子设备的结构示意图，其中，该电子设备包括处理器111和存储器110，该存储器110存储有能够被该处理器111执行的计算机可执行指令，该处理器111执行该计算机可执行指令以实现上述方法。
[0108]
在图11示出的实施方式中，该电子设备还包括总线112和通信接口113，其中，处理器111、通信接口113和存储器110通过总线112连接。
[0109]
其中，存储器110可能包含高速随机存取存储器(ram，random access memory)，也可能还包括非不稳定的存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口113(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线112可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。所述总线112可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0110]
处理器111可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器111中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器111可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field
‑
programmable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器111读取存储器中的信息，结合其硬件完成前述实施例的方法的步骤。
[0111]
本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述方法，具体实现可参见前述方法实施例，在此不再赘述。
[0112]
本技术实施例所提供的方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
[0113]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本技术的范围。
[0114]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件
产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0115]
在本技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0116]
最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。