1.一种基于脑电数据测定的高速铁路调度员超负荷状态识别方法，其特征在于，包括以下步骤：步骤一，行车调度实验，参考高速铁路行车调度员工作时间安排对被试人员进行试验，通过64通道脑电仪实时采集被试人员在脑部各电位的全部脑电波参数，包括幅值和频率；

脑电波采样率设置为1000Hz；实验期间记录被试人员每次事件刺激前500ms到事件刺激后

1500ms时间范围内的脑电数据作为采集样本，并确保所有采集样本中包含完整的事件相关电位数据；对采集到的脑电数据进行预处理，剔除原始信号中的波形漂移数据；使用伪迹矫正方法，从采集的脑电信号中除去受眼电伪迹影响的部分；

步骤二，选取被试者采集的脑电数据进行分析，分别对每名被试人员的64个通道点位的脑电信号进行叠加平均后，将其时间序列和脑电强度数据输入pmcov函数，用以实现基于自回归功率谱估计改进的协方差方法，对功率谱密度进行计算，功率谱密度表示为：式中满足：

式中： 代表电流角频率，T和t代表电流产生时刻， 代表时间和角频率的对应向量， 则是它的共轭转置向量；

绘制脑电信号功率谱密度分析图，根据功率谱密度分析结果，提取3Hz以下的脑电成分用于分析，得出最佳分析效果；

步骤三：脑电波特征向量提取；

以每3小时为一个时间阶段，采集全部实验时间内的调度员脑电事件相关电位数据；截取每个时间阶段波峰值最高的事件相关电位数据；

以20个采样点为步长，对事件相关电位峰附近的序列进行升余弦窗扫描，表达式如下：式中：d代表电位产生时对应的时刻，M代表足够长的事件相关电位判定时刻， 为d时刻对应的电流角频率，体现此时电位的能量变化率；

根据升余弦扫描结果，选择各被试者及各电流刺激等级比较一致的最优时段作为模式识别的特征序列，即以事件相关电位峰为基准，截取每次工作刺激产生的事件相关电位相邻区域的m个采样点作为脑电波特征向量；

步骤四：支持向量机分类识别；

根据导出的脑波事件相关电位数据，将每个工作时间阶段下，脑电最高峰值对应的事件相关电位样本作为最大工作负荷刺激值；提取m个相邻采样点作为单个样本数据，则每组数据的特征序列向量为m维；将特征序列向量采取降维处理；将实验数据样本分为两类，一类是在调度工作负荷刺激下出现事件相关电位的信号组，另一类为无调度工作刺激的空白对照组；得出整个调度工作中，最高负荷时，以及无调度工作刺激空白组的维特征向量，计算两类向量与实验过程中工作刺激下的向量的欧氏距离：式中：m为特征序列向量的维数，pi、qi分别为目标向量的对应元素；用X轴表示的值即为各样本模式中心与无刺激状态样本模式中心的欧氏距离；Y轴则表示各样本模式中心与最高负荷状态样本模式中心的欧氏距离，达到特征向量降至二维的目的；

在每名被试的每个工作时间阶段，选取事件相关电位波峰值最高的20个有效样本，得出降维后的欧氏距离二维坐标；

通过找出信号组和对照组的脑电特征向量分布情况，确定在各工作时段条件下，高铁调度员达到较高负荷状态时的脑电特征向量阈值；将特征向量达到这一阈值时的状态称为超负荷状态；

引入支持向量机模型计算高铁调度员超负荷状态的脑电特征向量阈值，进而确定调度员在各时间段的工作状态。

2.根据权利要求1所述的一种基于脑电数据测定的高速铁路调度员超负荷状态识别方2

法，其特征在于：步骤四中降维得到欧氏距离样本[ai，yi](i＝1,2,…,n)，式中ai∈R ，用yi＝1表示对工作刺激有明显反应的脑电信号特征值，yi＝‑1则表示对工作刺激没有明显反应的脑电信号特征值。

3.根据权利要求2所述的一种基于脑电数据测定的高速铁路调度员超负荷状态识别方法，其特征在于：步骤四中向量机模型建立步骤如下：2

步骤1，首先进行线性分类，即找出最优分类面(ω·x)+b＝0，其中x＝[x1,x2]，ω∈R ，b∈R，ω和b待定，若满足条件即得yi((ω·ai)+b)≥1，i＝1，…，n，式中满足方程(ω·ai)+b＝±1的样本即为支持向量；

要使两类总体到分类面的距离最大，则有

步骤2，根据分类面满足条件，建立如下SVM模型：s.t.yi((ω·ai)+b)≥1，i＝1，…，n* *

求得最优值对应的ω，b，可得分类函数：

* *

g(x)＝sgn((ω·x)+b)

sgn函数即为返回的整型变量，指出参数的正负号；当g(x)＝1时，把样本归于对工作刺激有明显反应的一类α波信号强度，当g(x)＝‑1时，把样本归于对工作刺激没有明显反应的一类α波信号强度；

步骤3，为求解该模型，将其化为对偶问题，首先定义拉格朗日函数:T n+

式中α＝[α1,…,αn]∈R ；

由KKT互补条件，通过ω和b求偏导，得

得 代入原拉格朗日函数，得

可得分类函数表达式为

步骤4拉格朗日函数中的(ai·aj)是核函数的线性形式，采用非线性核函数K(ai，x)＝d(aix+1) 将原样本空间线性不可分的向量转化到高维特征中线性可分的向量；用核函数K(ai，x)替换之，得一般模型表达式为：分类函数表达式即为

*

式中，K(ai，x)为选取的支持向量机核函数，αi为最优值对应的拉格朗日向量空间，yi为*

1或‑1，b为最优分类平面对应截距；

根据以上SVM模型，处理高铁调度员被试在四个工作时间阶段的工作刺激下的脑电峰值最高的事件相关电位数据；确定g(x)＝±1的样本连线即表示两类支持向量平面，即为最佳分类面向量；样本特征序列向量降维处理后在分类面上方的样本满足高铁调度员超负荷状态，分类面下方的样本则为正常负荷范围。