基于脉搏波高斯模型特征的脑力负荷等级客观检测方法

技术领域

本发明涉及信号处理技术领域，具体涉及一种基于光电容积脉搏波高斯模型特征的脑力负荷等级客观检测方法。

背景技术

脑力负荷通常被定义为人们在执行相关任务的时候所需要提供的脑力资源量或认知资源的比例。目前，对脑力负荷的检测有主观量表法和客观测量法。主观量表法主要基于调查和问卷的形式展开，存在主观倾向和时间滞后性。客观测量法主要分为神经生理学、生理学和行为学三大类。神经生理学围绕脑电信号和功能性近红外光谱技术展开；生理学主要包括脑电信号、心电信号、呼吸、皮肤电和眼动信号等；行为学主要是通过测量人在多任务条件下的记忆能力、反应速度等间接检测人的脑力负荷。

基于生理信号检测的脑力负荷客观测量法主要以脑电信号和心电信号展开。尽管脑电信号具有较高的准确性，但脑电设备的复杂性意味着这种方式难以推广到日常生活的检测；心电信号相比较于脑电信号采集更加便利，但由于其需要多个导联贴在心脏附近，给人造成较大的不适感。

光电容积脉搏波(简称脉搏波)信号作为一种新兴的生理学信号，与心电信号具有高度同源性，也包含了丰富的心血管信息，目前已被证明了在不同的认知负荷条件下，脉搏波的特征存在着显著性差异。

发明内容

本发明的目的是为了解决现有技术在脑力负荷与精神健康检测方法中主观性问题、检测方法的不舒适问题和检测设备的复杂性问题，提供一种基于脉搏波高斯模型特征的脑力负荷等级客观检测方法。本发明基于光电容积脉搏波理论，从客观生理数据角度实现对人的脑力负荷进行多等级的实时分类检测，克服现有基于生理信号检测的脑力负荷客观测量法信号采集不便利和采集不适感强等缺点。

本发明的目的可以通过采取如下技术方案达到：

一种基于脉搏波高斯模型特征的脑力负荷等级检测方法，所述检测方法包括以下步骤：

S1、采集脉搏波信号进行预处理和波形质量筛选：采集脉搏波信号进行带通滤波处理和去基线漂移处理，从预处理后的脉搏波信号中提取出一个稳定的基准波形，再计算脉搏波信号的每个周期与基准波形的相关系数，该相关系数用来评估波形质量，筛除受到运动伪影干扰的周期波形，最后得到筛选后的脉搏波信号；

由于采集的脉搏波信号通常带有直流成分和工频噪声等干扰，且电源纹波、发射源温度变化等硬件因素会导致脉搏波信号出现基线漂移现象，这些都对后续脉搏波信号特征的提取带来影响，因此需要对脉搏波信号进行带通滤波和去基线漂移处理；

带通滤波和去基线漂移处理可以去除某些由于自然因素而引入的噪声，但对于肌肉弱运动或者人为动作而引入的噪声却无能为力；因此需要通过计算脉搏波信号的每个周期与基准波形的相关系数进行波形质量评估，检测每个周期的脉搏波信号是否具有严重形变；当某个周期与基准波形的相关系数过小时，代表该周期信号与基准信号相似度太低，则可以认为该周期的脉搏波信号因为外力因素发生了严重形变；通过筛除所有因为运动伪影而发生严重形变的脉搏波周期信号，来保证每个周期都能具有良好的形态；

S2、逐周期分解筛选后的脉搏波信号，获得高斯模型参数序列，其中，所述高斯模型参数序列是指从筛选后的脉搏波信号中提取出的多个周期的高斯模型参数在时域上的排列；

根据脉搏波的高斯模型理论，一个周期的脉搏波信号是由多个形似高斯波的波形和一个残留波叠加形成；脉搏波高斯模型的特点在于其泛化了传统的脉搏波形态学特征，能够良好克服个体差异引起脉搏波形态不一致的影响，提高特征提取的稳定性；

在提取各个分量波的特征之前，需要先对脉搏波信号进行高斯波的基波分解，分解效果可参考图2；分解后的高斯波分别采用最大基波幅度(A

主波的高度A

将这11个特征整合作为一个具有11个维度的高斯参数向量，则该周期的高斯参数向量表示为：

其中矩阵右上角的T表示矩阵的转置，后不赘述；

由于每段脉搏波信号都具有不定个数的周期且每个周期出现的时间是有先后顺序的，因此整段脉搏波信号各个周期提取出的高斯参数向量集合是一个与时间相关的参数序列；为了更规范地描述这个参数序列，需要对每个参数向量的时间点进行定位；由于最大斜率点是脉搏波信号中是最不易受到干扰的点，本方法将脉搏波信号各个周期的最大斜率点的位置n′

其中，I表示整段脉搏波信号经过筛选的合格周期个数，δ(·)为Kronecherdelta函数，n′

S3、计算高斯模型参数序列的时域特征和频域特征，作为整段脉搏波信号的样本特征，其中，所述时域特征是指高斯模型参数的均值、方差、差值均方根、峰度和偏度；所述频域特征是指参数的归一化低频分量、归一化高频分量和低频分量与高频分量的比值；

得到高斯参数序列F

S4、将若干个受试者在已知不同脑力负荷等级下采集的脉搏波信号的样本特征组成训练集，输入LDA-SVM模型进行训练；

LDA是一种有监督的降维算法，要求输入时训练集和类别标签分别对应，其中类别标签指的是某段脉搏波信号在采集时的脑力负荷等级；其核心思想是将类内方差最小化，类间均值差异最大化，从而有助于分类器更好的分类；SVM是机器学习中最常用的分类器，是根据输入的特征计算获得切割超平面，超平面能够将不同类别的特征切割开，从而形成决策函数，实现对特征的分类检测；

LDA-SVM模型是一种特征降维分类模型，由LDA算法作为前级特征处理模块，SVM作为后级决策模块级联构成；其中，LDA算法负责特征再处理，将高维度训练集转换为低维度训练集输入到SVM分类器中，既能解决维度过高导致的分类器过拟合问题，也能将类间均值差异最大化，提升SVM分类器分类准确度；

S5、提取待测对象的脉搏波样本特征，输入训练后的LDA-SVM模型，得到脑力负荷等级输出结果。

进一步地，所述步骤S1的过程如下：

S101、采集若干段60秒以上的脉搏波信号，对脉搏波信号进行带通滤波处理得到滤波后的信号x(n)；

其中低频截止频率为0.2Hz，高频截止频率为5Hz；该步骤主要用于消除工频噪声等干扰；

S102、提取滤波后的脉搏波信号x(n)的基点序列x

S1021、计算脉搏波信号的最大斜率点位置序列[n

具体过程为：求脉搏波信号的一阶差分获得一阶差分序列x′(n)的所有极大值点；通过软阈值筛选去除较小的极大值点；对x(n)进行FFT变换获得频域最大值对应频率的倒数记为

S1022、求基点的位置序列[n

以最大斜率点位置序列[n

S1023、在基点的位置序列[n

S103、对滤波后的脉搏波信号x(n)进行去基线漂移处理：先对基点序列x

S104、提取去基线后的脉搏波信号x

S105、筛除脉搏波信号x

进一步地，所述步骤S2的过程如下：

S201、将筛选后的脉搏波信号的每个周期波形分解为三个高斯波，分解步骤为：先将某一个周期的脉搏波信号作为输入，计算第一个高斯波的起点和峰值点；以峰值点所在位置的纵轴为对称轴，对起点至峰值点处的波形进行镜像对称，提取出第一个高斯波；再将该周期的脉搏波信号减去第一个高斯波后剩余的残留项作为输入重新执行上述步骤，迭代三次即可提取出该周期的三个高斯波：分别为主波、第一反射波和第二反射波；具体计算过程如下：

S2011、确定高斯波的起点位置n

设第i个脉搏波的周期信号起点为每一个高斯波的起点，故起点相对位置n

条件1：r(n

条件2：r′(n

条件3：r′(n

此时，返回n

S2012、提取主波、第一反射波和第二反射波；

确定高斯波的起点位置n

其中x

S202、提取每个周期的高斯波参数，组成高斯波参数向量，其中，每个周期提取的高斯波参数有11个，分别为：主波的高度A

S203、构造高斯模型参数序列F

如前所述，由于最大斜率点是脉搏波信号中是最不易受到干扰的点，本方法将脉搏波信号各个周期的最大斜率点的位置设为该周期信号参数向量的位置；由于最大斜率点的定位是在波形质量筛选之前，因此最大斜率点序列的长度N必将大于通过筛选的波形数量K；因此需要先剔除最大斜率点位置[n

进一步地，所述步骤S3过程如下：

S301、计算高斯模型参数序列F

S302、计算高斯模型参数序列F

S3021、对高斯模型参数序列F

S3022、对均匀采样序列F(n)进行FFT变换得到功率谱序列P(jf)；

S3023、对功率谱序列P(jf)分段计算得到总功率P

S3024、基于总功率P

S303、将时域特征和频域特征整合作为整段脉搏波信号的样本特征Z。整合方式如公式(11)所示：

Z＝[AVE

其中，每个时(频)域特征都具有11个维度，整个样本特征有5个时域特征和3个频域特征，因此一个脉搏波信号样本的样本特征有88个维度，即样本特征是一个88×1的矩阵。

进一步地，所述步骤S4过程如下：

S401、采集r段在已知脑力负荷状态下的脉搏波信号，每一段脉搏波信号通过步骤S3得到的样本特征分别记为Z

训练集是机器学习中的常见概念，是分类器学习决策的基础资源；通常训练集的质量越高，对检测的帮助越大；训练集质量的好坏直接决定了分类器决策函数的科学性与准确性；通常情况下，训练集的样本数量均不宜过低，即r的值应该足够大；

S402、对训练集[Z

训练集标准化的目的是为了去量纲化；由于样本特征的88个维度特征具有不同的量纲和量级，标准化后可以减少特征量纲和量级的不同对特征的权重影响，同时也降低了SVM计算超平面的复杂性；

标准化的计算过程如下：

其中，Z

S403、对标准化后的训练集[Z′

LDA算法是一种带监督性的降维算法，要求输入时训练集和类别标签分别对应，其中类别标签指的是某段脉搏波信号在采集时的脑力负荷等级；其思想是将类内方差最小化，类间均值差异最大化；其计算过程是将训练集的类间散度矩阵S

S404、输入降维后的低维度训练集[Z″

其中，训练集中的每一个样本都需要带有样本标签，即每个样本都被标注为某个脑力负荷等级状态下的样本；

SVM分类器具有两个基础参数：惩罚系数C和核函数系数gamma；这两个参数对SVM的分类效果具有十分重要的影响；C的大小对SVM的分类效果具有关键性的影响，C越大容易导致过拟合，C太小则SVM欠拟合；gamma系数隐含地决定了数据映射到新的特征空间后的分布，gamma系数通常作为C的辅助调整参数，共同优化SVM的拟合效果；因此，对SVM参数的优化是一个必要的步骤；惩罚系数C和核函数系数gamma的优化方式通常是基于训练集的训练测试结果，通过网格寻找算法和交叉验证求得使SVM的最优参数。

进一步地，所述步骤S5过程如下：

S501、采集待测对象的脉搏波，按照步骤S1至S3处理得到待测样本特征；

S502、基于训练集样本均值μ和标准差σ对待测样本特征进行标准化；

S503、基于投影矩阵ω对标准化后的待测样本特征进行降维处理；

S504、将降维后的待测样本特征输入训练后的SVM分类器，得到脑力负荷等级输出结果。

本发明相对于现有技术具有如下的优点及效果：

1)本发明提出的基于最大斜率点位置定位脉搏波基点的方法(见步骤S102)是通过脉搏波形态种最稳定的点(最大斜率点)来定位出脉搏波基点的位置，相较于过往基于脉搏波最小值定位基点方法，本发明提出的基点定位方式在脉搏波的尾部形态发生失真时仍然能够实现基点的良好定位效果，具有较高的鲁棒性；

2)本发明提出脑力负荷检测方式是基于脉搏波的高斯模型特征实现的(见步骤S2)，基于这种方式提取得到的脉搏波特征一定程度上泛化了传统的脉搏波形态学特征，能够良好的克服个体差异带来的脉搏波特征提取困难的问题；同时，基于高斯模型提取的特征不仅能获取传统的形态学特征，同时也能提取出部分传统形态学方式不能计算得到的特征；

3)本发明通过步骤S3提取脉搏波高斯模型参数的时域特征和频域特征，特征提取的时间窗口长度为60秒，相比于基于脉率变异性和心率变异性特征的提取方式，时间窗口长度至少缩短了120秒以上；因此通过本发明提出的检测脑力负荷的方法具有更高的时间分辨率，对脑力负荷的变化响应更为敏感。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例1中一种基于光电容积脉搏波高斯模型特征的脑力负荷等级检测方法的流程图；

图2是本发明实施例1中步骤S104-S105周期波形筛选效果图；

图3是本发明实施例1中步骤S201提取脉搏波高斯波波峰位置的流程图；

图4是本发明实施例1中步骤S201进行脉搏波高斯波提取的效果图；

图5是本发明实施例1中提取的脉搏波高斯波特征的标识图；

图6是本发明实施例1中LDA-SVM模型的训练和检测流程图；

图7是本发明实施例1中经过训练的LDA-SVM模型在测试中的准确率柱状图。

具体实施方式

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。基于本发明中的实施例，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，都属于本发明保护的范围。

实施例1

本实施例公开了一种基于光电容积脉搏波高斯模型特征的脑力负荷等级检测方法，其步骤如图1所示。操作流程如下：

S1、采集脉搏波信号进行预处理和波形质量筛选；本实施例中采集的脉搏波信号带有直流成分和工频噪声等干扰，同时存在基线漂移现象，这些都对后续脉搏波信号特征的提取带来影响，因此需要对脉搏波信号进行带通滤波和去基线漂移处理；具体操作步骤为：

S101、采集若干段60秒以上的脉搏波信号，对脉搏波信号进行带通滤波处理得到滤波后的信号x(n)；其中低频截止频率为0.2Hz，高频截止频率为5Hz；带通滤波滤除了直流信息和工频噪声等干扰；

S102、提取滤波后的脉搏波信号x(n)的基点序列x

S1021、计算脉搏波信号的最大斜率点位置序列[n

对整段脉搏波信号进行FFT变换获得脉搏波信号频域最大值对应频率的倒数记为

S1022、求基点的位置序列[n

以最大斜率点位置序列[n

S1023、将基点位置序列[n

S103、对滤波后的脉搏波信号x(n)进行去基线漂移处理；

先对基点序列x

预处理步骤只能初步滤除与脉搏波特征无关的噪声，对于采集时人体肌肉不自觉地动作对脉搏波信号的影响，预处理步骤无法解决，因此需要对由于运动伪影导致发生严重形变的脉搏波周期进行筛除；筛除步骤如下：

S104、提取去基线后的脉搏波信号x

利用S102步骤中确定的基点对脉搏波信号进行周期分割，对分割出的完整周期信号逐个进行幅值的归一化处理；将每一个归一化后的脉搏波周期信号进行插值重采样为长度L＝100的序列，以保证能通过如下方式计算相关系数，计算方式如下：

其中，y(n)和z(n)表示两个脉搏波周期序列；当连续检测20个相邻周期的相关系数大于0.99时，脉搏波高度稳定，采集对象保持良好检测状态，可选取其中任一周期的波形作为基准波形，本实施例选取此脉搏波段的最后一个波形作为基准波形；

S105、筛除x

按照公式(13)计算基准波形与脉搏波信号其余周期的相关系数，其中；当某一个周期信号与基准波形的相关系数小于一定阈值时，认为是由于运动伪影破坏了该波形，筛除该周期信号；在本实施例中，阈值设置为0.8；图2展示了本实施例中筛除波形前后的区别；其中黑色实线的波形为S103步骤中选取的基准波形，灰色阴影部分为60秒的脉搏波信号所有良好的归一化周期波形，黑色虚线是筛除的受到干扰的周期脉搏波，可以看到受到干扰的脉搏波信号已经不具备原有脉搏波的轮廓；

S2、逐周期分解筛选后的脉搏波信号，获得高斯模型参数序列；具体步骤如下：

S201、将筛选后的脉搏波信号的每个周期波形分解为三个高斯波；

分解步骤为：先将某一个周期的脉搏波信号作为输入，计算第一个高斯波的起点和峰值点；以峰值点所在位置的纵轴为对称轴，对起点至峰值点处的波形进行镜像对称，提取出第一个高斯波；再将该周期的脉搏波信号减去第一个高斯波后剩余的残留项作为输入重新执行上述步骤，迭代三次即可提取出该周期的三个高斯波：分别为主波、第一反射波和第二反射波；具体计算过程如下：

S2011、确定高斯波的起点位置n

设第i个脉搏波的周期信号起点为每一个高斯波的起点，故起点相对位置n

条件1：r(n

条件2：r′(n

条件3：r′(n

此时，返回n

S2012、提取主波、第一反射波和第二反射波；

确定高斯波的起点位置n

S202、提取每个周期的高斯波参数，组成高斯波参数向量；

分解完成后，提取主波的高度A

S203、构造高斯模型参数序列F

由于最大斜率点的定位是在波形质量筛选之前，因此最大斜率点序列的长度K必将大于通过筛选的波形数量I；因此需要先剔除最大斜率点位置序列[n

S3、计算参数序列F

S301、计算高斯模型参数序列F

包括均值AVE、方差VAR、差值均方根RMSSD、峰度KURT和偏度SKEW，计算过程参考公式(4)至(7)；

S302、计算高斯模型参数序列F

S3021、对参数序列F

S3022、对F(n)进行FFT变换转换为功率谱序列P(jf)，将频域划分为超低频段(VLF)、低频段(LF)和高频段(HF)，频率范围分别为0～0.04Hz，0.04～0.15Hz，0.15～0.4Hz；

S3023、对整段功率谱累加得到总功率P

S3024、基于总功率P

S303、将时域特征和频域特征按照公式(11)整合作为整段脉搏波信号的样本特征Z；

S4、将若干个受试者在已知不同脑力负荷等级状态下采集的脉搏波信号的样本特征组成训练集，输入LDA-SVM模型进行训练；

S401、采集r段在已知脑力负荷状态下的脉搏波信号，每一段脉搏波信号通过步骤S3得到的样本特征分别记为Z

本实施例采集了660份来自22个不同个体的脉搏波样本数据，每份脉搏波的样本时长为60秒，数据样本分布如表1所示：

表1.实施例1样本数据分布表

采集状态中1-Back状态和2-Back状态是回溯实验的两个不同难度的记忆实验；该记忆实验的主要目的是让受试者处于不同的脑力负荷状态，其中，2-Back实验比1-Back实验难度更大，对应的脑力负荷更大；本实施例根据任务难度和受试者任务得分两个客观指标和任务后记录受试者的主观感受，将受试者的状态分为低负荷状态、中负荷状态和高负荷状态；其中，休息状态对应为低负荷状态，1-Back状态对应为中负荷状态，2-Back状态对应为高负荷状态；

本实施例的检测模型是一个二等级分类模型，即该模型对脑力负荷的检测有两个等级；为检验提出的方法面对不同类型的二分类等级检测效果，分别对样本两两混合构造了三个样本群，即中高负荷样本群、低高负荷样本群、中低负荷样本群，每个样本群包含440个样本；将三个样本群分别作为模型的输入对模型进行三次不同脑力负荷水平检测实验；对三个样本群的实施步骤完全一致，后续步骤只以其中一个样本群为例进行说明；

为了测试模型检测的准确率以便更好的说明本方法的特点，本实施例对样本按照4：1的比例随机分成训练集和测试集两个部分，因此，训练集包含了352个样本，测试集包含了88个样本，训练集和测试的脑力负荷水平都是已知的；训练集的脑力负荷水平连同训练集的特征一同输入模型对模型进行训练；测试时，只将测试集的特征输入训练后的模型而不输入对应的脑力负荷等级，模型根据决策函数输入脑力负荷等级的预测值，将预测值与实际的脑力负荷水平进行比较，得到模型的检测准确率；具体训练和检测的过程如图6所示；本实施例的具体操作流程如下：

S402、对训练集[Z

S403、对标准化后的训练集[Z′

LDA算法采用python中的scikit-learn库中的API，设置API参数n_components为1；即LDA算法对88个维度的特征进行降维；由于本实施例中三个样本群的脑力负荷等级均为2类，降维后的维数不高于划分的脑力负荷等级数，因此经过LDA降维后原本88个维度的样本特征变换成1个维度的样本特征，大大减少了SVM的计算复杂性；特别说明，LDA是一种有监督的降维算法，因此输入时需要将样本特征集与样本标签一同输入，即训练集的每一个训练样本都带有脑力负荷等级的标签；

S404、输入降维后的低维度训练集[Z″

将低维度训练集输入采用高斯核的SVM分类器进行训练；通过网格搜索算法和5折交叉验证优化惩罚系数C和核函数系数gamma使得分类准确率最大化，从而得到决策函数；

至此，对脑力负荷等级的检测模型训练完成；下一步骤实际上是对方法的使用与测试；

S5、将测试集输入训练后的LDA-SVM模型，得到对应的脑力负荷等级输出结果，与已知的测试集对应的脑力负荷等级进行比较；由于测试集已经在前述部分经过处理，故本实施例跳过S501步骤，其余过程如下：

S502、将测试集进行基于训练集样本均值μ和标准差σ的标准化，去除测试数据的量纲影响；

S503、将标准化后的测试集进行基于投影矩阵ω的特征降维变换，投射到新的能实现最优分类的特征空间，得到降维后的1维向量测试集；

S504、将降维后的测试集特征输入训练后的SVM分类器，得到脑力负荷等级输出结果，该结果是基于已有的脑力负荷等级对输入的数据进行了等级评估；最后对测试集的评估结果与实际结果进行比较，其准确率如图7所示。

在检测脑力负荷等级为高负荷或低负荷时，本实施例能达到96％的准确度；在检测脑力负荷等级为中负荷和低负荷时，本实施例能达到90％的准确率。换言之，提出的基于光电容积脉搏波对脑力负荷等级检测的方法对脑力负荷的检出准确率较高，平均为93％。在检测脑力负荷等级为高负荷或中负荷时，本实施例的准确率为75％。综合上述测试结果，本实施例可反映出提出的检测方法对中高负荷的检测准确度较高，而对中高负荷的区分准确度稍低，但这与实际生活的需求场景是契合的：对绝大多数人而言，需要知道的往往是自己是否处于中高负荷状态，一旦进入中高负荷状态，往往意味着目前的精神状态已然不是最佳，需要适当的休息调整。

实施例2：

本实施例和实施例1的区别主要在于脑力负荷等级分辨率由两个等级提升到三个等级，即模型的检测结果有：高负荷、中负荷和低负荷。因此将实施例1中三个脑力负荷等级的样本作为一个样本群进行模型的训练和测试。其具体步骤如下：

S1、参照实施例1中对应步骤实施，此处不再赘述；

S2、参照实施例1中对应步骤实施，此处不再赘述；

S3、参照实施例1中对应步骤实施，此处不再赘述；

S4、若干段在已知脑力负荷等级状态下采集的脉搏波信号的样本特征组成训练集，输入LDA-SVM模型进行训练；

特征提取完毕后，需要先训练LDA-SVM模型，通过训练LDA-SVM分类器获得最优参数和决策平面，再对待测脑力负荷等级的输入特征进行检测和分类；本实施例基于实施例1中的特征样本，但不做样本分离，全部作为一个样本群，因此样本集包含了660个样本；

同实施例1一致，为了测试模型对三个等级的脑力负荷水平检测的准确率，本实施例对特征集按照4：1的比例分成训练集和测试集两个部分，因此，训练集包含了528个样本，测试集包含了132个样本，训练集和测试的脑力负荷水平都是已知的；

S402、对训练集[Z

S403、对标准化后的训练集[Z′

LDA算法采用python中的scikit-learn库中的API，设置API参数n_components为2，即可实现LDA算法对88个维度的样本特征进行降维；由于本实施例中样本群的脑力负荷等级为3类，降维后的维数不高于划分的脑力负荷等级数，因此经过LDA降维后变换成2个维度的样本特征；

S404、输入降维后的低维度训练集[Z″

将训练集输入采用高斯核的SVM分类器进行训练；通过网格搜索算法和5折交叉验证优化惩罚系数C和核函数系数gamma使得分类准确率最大化，从而得到决策函数；特别说明，对于不同的特征和不同的等级分类，即场景不一致时，C和gamma的优化结果都是不一样的；训练结束后，进入测试步骤；

S502、将测试集进行基于训练集样本均值μ和标准差σ的标准化，去除测试数据的量纲影响；

S503、将标准化后的测试集进行基于投影矩阵ω的特征降维变换，投射到新的能实现最优分类的特征空间，得到降维后的2维向量测试集；

S504、将变换后的测试集特征输入训练后的SVM分类器，得到脑力负荷等级输出结果。

结果表明：测试结果为脑力负荷等级分辨率为三个等级时，本方法的准确率为73％，相比较于随机预测概率的33％，本方法的准确度提升了40％。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。