摘要
随着高速列车运行速度的不断提高，车内噪声问题日益严重，空气动力学噪声、风挡噪声等低频成分越来越突出，高强度的噪声环境会使乘客更易出现疲劳烦躁感，降低乘客乘坐舒适性。A 声级作为目前最常用的评价指标，在用于低频噪声评价时计权衰减较多，不能准确地反映人的主观感受，而脑电信号能够客观地反映人的心理变化，可用于评估人体的疲劳和烦躁感。本研究针对高速列车车内声环境评价问题，基于现场测试数据，对车内噪声进行主客观评价，利用多种机器学习算法建立乘客主观烦恼度预测模型，为探索更客观的烦恼度指标，对车内噪声暴露下乘客的脑电信号开展研究。主要研究工作如下： 首先，基于现场测试数据，对高速列车车内噪声进行客观评价，计算分析列车在隧道和明线以不同速度运行时多个测点的响度、尖锐度、粗糙度、波动强度，对特性响度做了进一步分析，考察了列车速度、运行区间、车内位置对特性响度的影响，以“烦恼度”为标准，使用等级评分法组织被试者开展主观评价试验并计算Spearman相关系数，剔除相关系数较低的评价结果，对不同工况的主观评价烦恼度进行分析。比较各客观参量和主观评价的相关性，其中响度呈现出较强的正相关，粗糙度存在一定的负相关。 然后，以客观参量为输入，主观评价烦恼度为输出，对数据进行归一化处理，并划分训练集和测试集，利用多元线性回归、k近邻、随机森林、支持向量回归机以及BP神经网络分别建立声品质主客观评价模型，通过回归方程以及随机森林的重要性排序，比较客观参量对主观烦恼度的影响大小，其中响度是影响最大的客观参量。对比五种模型在测试集的拟合效果，并计算均方误差和拟合优度。结果表明，基于遗传算法优化后的BP神经网络（GA–BP）克服了神经网络过拟合的问题，预测精度最高，更适合作为高速列车车内声品质评价回归预测的分析方法。 最后，采集噪声暴露下被试者的脑电信号，利用多项式拟合、陷波滤波器、小波变换对原始脑电信号进行去噪，得到纯净的脑电信号后，提取不同节律脑电的功率和样本熵作为脑电特征量，并分析与主观烦恼度的相关性，以脑电特征量为输入，使用GA–BP模型对主观烦恼度进行回归拟合，模型的预测精度达到0.91，预测值的预测误差百分比范围在?10%～14%之间，能够有效地预测主观烦恼度。使用短时傅里叶变换对脑电信号进行时频分析，对比安静状态，使用列车通过明线时的车内噪声作为激励的脑电信号在 15～25 Hz 有略微的增加，而使用主观烦恼度更大的列车通过隧道时的车内噪声作为激励的脑电信号则表现为在15～25 Hz频段能量的明显增大。
NETL