1.一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法，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；

步骤二，为了得到脑电信号在各频段上的分布用于脑电各频段能量的计算，需将幅值由时域分布转化为频域分布；使用快速傅里叶变换(FFT)计算功率谱，并进一步计算功率谱密度；

截取以2s为分布域截取脑电信号波形，即前后两段脑电信号波形存在1s的重叠域；

对其中一段进行式(1)(2)所示的FFT，将脑电信号在时间上的幅值分布的f(n)，变换为在频域上的幅值分布f(k)其中n为参与FFT的脑电信号样本数量，N为大于等于n的最小的2幂值，j为常数；对2s的脑电信号段叠加汉明窗后进行FFT，得到固定时间窗的频域‑幅值分布；

通过对固定时间窗的频域转换，得到全头62个通道的功率谱密度(PSD)在频域上的分布；各频段的功率的数值为对应频段的功率谱曲线所覆盖的面积，使用式(3)计算δ、θ、α、β频段功率谱密度为从脑电功率谱中提取能够反应调度员疲劳状态的脑电特征指标，对各通道δ、θ、α、β频段的功率谱密度和其组合方程α/β、θ/β、(α+β)/β、(α+β)/θ和(θ+α)/(α+β)与调度员疲劳状态进行Pearson相关性、显著性t检验和灵敏度ROC曲线检验；筛选与疲劳状态相关性、显著性水平和ROC曲线AUG的脑电指标作为特征指标步骤三，PAM聚类‑多元有序Logistic回归计算疲劳度；

通过PAM聚类算法，结合清醒状态和疲劳状态所属的主要类别，确定聚类结果对应的时序疲劳等级；在有序分级基础上进行多元有序Logistic回归，获得连续的时序疲劳度；

步骤四，基于LSTM的调度员疲劳度预测；

将脑电特征指标的时序数值作为输入，PAM分级得到的时序疲劳等级和多元有序Logistic回归得到的时序疲劳度作为输出，使用长短期记忆神经网络(LSTM)对疲劳度进行预测。

2.根据权利要求1所述的一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法，其特征在于：采集脑电信号的频率域为0.5‑30Hz，采样频率为1000Hz，大于脑电信号最大频率30Hz的两倍，满足FFT的采集要求。

3.根据权利要求1所述的一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法，其特征在于：步骤二中筛选与疲劳状态相关性>0.7、显著性水平0.01和ROC曲线AUG>

0.75的脑电指标作为特征指标。

4.根据权利要求1所述的一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法，其特征在于：步骤三中使用PAM聚类对调度员状态进行分类，具体如下：对于采集到的脑电特征数据向量Xt，Xt＝(xt1，…，xtn)；其中t为时刻的序数，n为脑电指标的种类数；

对第k个类别的样本簇，有中心点μk；将各样本簇所有非中心点到中心点的距离总和作为目标函数 更换簇中中心点的对象，不断计算目标函数 的值，直到 的值不再减少，得到各样本点所属类别； 的表达式如式(4)；

其中，V(Xt，μk)函数表示样本点Xt和当前参考点μk之间的差异值，即两点间的欧氏距离，T为总时段数量，K为总类别数。

5.根据权利要求4所述的一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法，其特征在于：对脑电特征指标进行聚类后，为了确定使得聚类效果最好的簇数K，对第k级数的第i个特征向量计算轮廓系数s(i)，如式(5)；

其中，a(i)为样本i到同簇其他样本的平均距离，称为簇内不相似度；b(i)为样本i到其他簇所有样本的平均距离，称为簇间不相似度；

使得所有n个特征向量平均s(i)最大的K即为脑电特征值的类别数。

6.根据权利要求5所述的一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法，其特征在于：步骤三中多元有序Logistic回归具体如下：在对调度员进行疲劳等级的基础上，进行多元有序Logistic回归分析，使用K个疲劳状态下的脑电特征指标数值和对应的疲劳状态类别训练和验证模型，计算调度实验中各个时段的疲劳度，得到连续分布的疲劳度，更准确的描述调度员疲劳状态；

有序多元Logsitic回归将k个类别划分为k‑1个二元Logistic回归分析，研究各二分类因变量取某个值的概率，其第一种状态类别为1，第二种状态类别为0；对于给定的在第t个时段的脑电特征值指标和疲劳状态集合{Xt，Yt}，Xt＝(xt1，xt2，…，xtn)；其中Xt是t时段的脑电特征数据向量，n为特征指标数，Yt是t时段的疲劳状态，在t时刻的取值为疲劳度yt；

假设在提取的k个脑电特征指标xt1xt2，…，xtk的作用下，状态类别为1的概率是yt，状态类别为0的概率是1‑yt；取1和0的概率比为Logit变换即对该比值取对数如式(6)，使得λ可由几率对数函数表示：参数λ为自变量Xit的线性组合，λ的表达式如式(7)

λ＝β0+β1xt1+…βnxtn     (7)

T

其中β0，β2，…，βn是取值为常数的系数，令系数向量ω＝(β0，β2，…，βn)，ω为ω的转置矩阵，则可将式(6)写为表达式(8)，进行迭代分析，得出系数β0、β1……βn的取值，求解疲劳度yt作为时序分析模型的输出，yt的表达式如式(9)所示；

7.根据权利要求6所述的一种基于脑电时序数据测定的高速铁路调度员疲劳预测方法，其特征在于：步骤四中LSTM作为时序分析类神经网络包括：输入状态、输出状态、隐藏结构和循环结构；其中隐藏结构包括记忆状态Ct和隐藏状态At，隐藏结构和循环结构内节点计算方式如下；

t时刻的隐藏层At可表达为

At＝f(UXt+WAt‑1+b)   (10)

其中，At‑1为t‑1时刻的隐藏状态，Xt为t时段输入脑电特征指标的值，U为输入层Xt的权重矩阵，W为隐藏层At‑1的权重矩阵，b为常数；

函数f为激活函数sigmoid函数，函数g为tanh函数，σ指代输入变量，表达为：循环结构中的遗忘门f1(t)表达式为

f1(t)＝f(U1Xt+W1At‑1+b1)       (13)输入门f2(t)由两部分构成的乘积构成，表达式为

f2(t)＝f(U21Xt+W21At‑1+b21)⊙g(U22Xt+W22At‑1+b22)     (14)其中，⊙为Hadamard积；U1、U21、U22、W1、W21、W22为权重矩阵，b1、b21、b22为常数；

遗忘门Ct由上一时段的记忆状态Ct‑1和遗忘门f1(t)的乘积和输入门f2(t)的和组成，表达式为；

Ct＝Ct‑1⊙f1(t)+f2(t)      (15)输出门Yt在t时段输出对未来一段时间预测的疲劳等级或疲劳度，由本时段的输入状态Xt、上一时段的隐藏状态At‑1和记忆状态Ct的tanh激活函数得到乘积，表达式为；

Yt＝g(U3Xt+W3At‑1+b3)⊙g(Ct)      (16)其中Yt为输出层，其取值为疲劳度的预测结果；与PAM‑多元有序Logistic回归得到的疲劳对进行比对计算预测的准确度。