CN104605866A - 基于脑电检测的矿工生理与心理疲劳监测方法 - Google Patents
基于脑电检测的矿工生理与心理疲劳监测方法 Download PDFInfo
- Publication number
- CN104605866A CN104605866A CN201510030356.4A CN201510030356A CN104605866A CN 104605866 A CN104605866 A CN 104605866A CN 201510030356 A CN201510030356 A CN 201510030356A CN 104605866 A CN104605866 A CN 104605866A
- Authority
- CN
- China
- Prior art keywords
- ripple
- focus
- allowance
- judgment matrix
- miner
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于脑电检测的矿工生理与心理疲劳监测方法,脑波检测终端将所述采集到的矿工的脑电波数据从时域信号转换为频域信号,再对所述转换后的频域信号进行分析得出脑电波数据中不同节律的脑波能量占比,最后根据脑波能量占比确定所述矿工的生理与心理疲劳状况。本发明能够在矿工下井作业期间进行生理与心理状态监测,实时掌握矿工的身心状态,提早发现矿工出现的生理与心理异常情况,以便及时采取有效措施,降低事故发生的几率。
Description
技术领域
基于脑电检测的矿工生理与心理疲劳监测方法。
背景技术
煤炭是我国国民经济的能源支柱,对国家经济持续增长起着关键作用。在未来很长一段时间内,我国以煤炭消耗为主的能源格局不会改变。近来煤炭资源开采逐步向深部延伸,深部煤炭开采的力学环境、储层结构与浅部明显不同,采场的时空关系更加复杂,开采作业安全管理难度无疑将越来越大,煤炭企业的安全生产状况将更加严峻,煤矿安全问题将是我国深井开发的一大难题。能否在开采难度越来越大的情况下,有效控制事故的发生,确保安全高效生产,是摆在国内煤炭企业面前的重大安全管理课题。人是煤矿生产中的薄弱环节,相关资料统计显示,因矿工的不安全行为而导致的安全事故占95%,工人是煤炭生产过程中作业主体,也是控制主体和被保护主体,安全控制主要取决于人对危险的预防能力、识别能力和处理能力,而这一切都有成熟的规范化理论和方法。但是在现有的安全管理制度体系中缺少对矿工疲劳监测的手段和管理体系,尚难以掌握煤矿作业人员的生理和心理状况是否适合相应的岗位操作,严重制约了安全生产管理水平的进步提升。
研究表明人的生理和心理状态会影响其行为,在煤矿安全生产过程中起到了关键性的作用。长期以来,引起煤矿事故的环境因素和技术因素受到了相当的重视,人的生理和心理因素却被忽略。我们强调作业过程中矿工的规范操作,却忽视了对矿工井下作业时生理与心理状况的分析。如果矿工带着过度疲劳的生理状态或者不稳定的心理情绪投入到煤炭生产工作过程中,就容易产生不可预见的失误行为,为煤矿安全生产埋下隐患,最终导致煤炭生产事故的发生。煤矿是一个复杂特殊的生产环境,许多岗位处于低亮度、超静、恒温环境;由于自动化作业,许多岗位仅需要间歇性操作,单人作业岗位容易导致困倦、呆滞、走神,使得事故隐患难以察觉,操作安全规范未能实施。因此研究矿工的生理与心理状况监测,及时掌握和处理各种不安全的生理与心理状态,可以发现潜在的人为危险隐患,避免事故的发生。
发明内容
有鉴于此,本发明的主要目的在于提供一种基于脑电检测的矿工生理与心理疲劳监测方法。
为达到上述目的,本发明的技术方案是这样实现的:
本发明实施例提供一种基于脑电检测的矿工生理与心理疲劳监测方法,该方法为:脑波检测终端将所述采集到的矿工的脑电波数据从时域信号转换为频域信号,再对所述转换后的频域信号进行分析得出脑电波数据中不同节律的脑波能量占比,最后根据脑波能量占比确定所述矿工的生理与心理疲劳状况。
上述方案中,所述对所述转换后的频域信号进行分析得出脑电波数据中不同节律的脑波能量占比,具体为:首先建立岗位适应性分析模型,再根据所述岗位适应性分析模型得到Y波、β波、α波的权重系数和α波、θ波、δ波的权重系数,最后根据Y波、β波、α波的权重系数得到专注度,根据α波、θ波、δ波的权重系数得到放松度;所述建立岗位适应性分析模型包括建立专注度层次模型和放松度层次模型。
上述方案中,所述建立专注度层次模型通过以下步骤实现:
步骤201:构造判断(成对比较)矩阵:
在煤矿井下作业时,专注度相对于专注度持续时间更重要,所以专注度与专注度持续时间比值选为2;
步骤202:层次单排序及其一致性检验
由所述判断矩阵得出:
所述判断矩阵的最大特征值λmax为2;特征向量Wa=(0.89,0.45,)T;一致性指标为
随机一致性指标为RI=0.1(查表);一致性比率为CR=0<0.1;
由以上计算结果可知通过一致性检验;
Y波、β波、α波脑电信号能量占比关于专注度和专注度持续时间2个标准的判断矩阵如下:
专注度判断矩阵为:
由所述专注度判断矩阵得出:
判断矩阵最大特征值λmax为3;特征向量W1=(0.86,0.43,0.29)T;一致性指标为随机一致性指标RI=0.58(查表);一致性比率CR=0<0.1;
专注度持续时间判断矩阵为:
由所述专注度持续时间判断矩阵得出:
判断矩阵最大特征值λmax为3;特征向量W2=(0.27,0.80,0.53)T;一致性指标为
随机一致性指标RI=0.58(查表);一致性比率CR=0<0.1;
通过以上分析得出这两个矩阵均通过一致性检验,并由专注度和专注度持续时间特征向量得中间层影响因素特征向量;
步骤203:层次总排序
由计算结果得出层次总排序通过一致性检验,然后按照总排序权向量表示的结果进行决策,目标总方案的比较结果:
特征向量Wb由矩阵B1特征向量W1和矩阵B2特征向量W2组成;
由此得到表示Y波、β波、α波的权重系数m、n、t分别为0.89、0.74、0.50。
上述方案中,所述建立放松度层次模型通过以下步骤实现:
步骤301:构造判断(成对比较)矩阵
在煤矿井下作业时,放松度相对于放松持续时间更重要,所以放松度与放松度持续时间比值选为2;
步骤302:层次单排序及其一致性检验
由判断矩阵得出:判断矩阵的最大特征值λmax为2;特征向量Wm=(0.89,0.45,)T;一致性指标为随机一致性指标为RI=0.1(查表);一致性比率为CR=0<0.1;由以上计算结果可知通过一致性检验;
α波、θ波、δ波脑电信号能量占比关于放松度和放松度持续时间2个标准的判断矩阵如下;
放松度判断矩阵为:
由所述放松度判断矩阵得出:
判断矩阵的最大特征值λmax为3;特征向量W1=(022,0.87,0.44)T;一致性指标为随机一致性指标RI=0.58(查表);一致性比率CR=0<0.1;
放松度持续时间判断矩阵为:
由所述放松度持续时间判断矩阵得出:
判断矩阵最大特征值λmax为3;特征向量W2=(0.27,0.53,0.80)T;一致性指标为随机一致性指标RI=0.58(查表);一致性比率CR=0<0.1;
通过以上分析得出这两个矩阵均通过一致性检验,并由放松度和放松度持续时间特征向量得中间层影响因素特征向量;
特征向量Wc由矩阵C1特征向量W1和矩阵C2特征向量W2组成;
步骤302:层次总排序
由计算结果得出层次总排序通过一致性检验,然后按照总排序权向量表示的结果进行决策,目标总方案的比较结果:
由此得到表示α波、θ波、δ波的权重系数x、y、z分别为0.32、1.01、0.75。
上述方案中,根据脑波能量占比确定所述矿工的生理与心理疲劳状况,具体为:根据得到的专注度和放松度的数值所在的疲劳等级阈值判断所述矿工的生理与心理疲劳状况。
与现有技术相比,本发明的有益效果:
本发明能够在矿工下井作业期间进行生理与心理状态监测,实时掌握矿工的身心状态,提早发现矿工出现的生理与心理异常情况,以便及时采取有效措施,降低事故发生的几率。
本发明能够从众多的指标参数中找出最能明显反映人体疲劳程度的指标:脑电磁波频率、专注指数、放松指数,将这些指标应用于煤矿矿工生理心理疲劳监测中,初步建立煤矿井下作业疲劳评价指标,为建立煤矿井下人员劳动安全评价体系打下基础。
本发明建立分析模型,分析出不同频率脑波的权重系数,形成定量与定性分析结合的煤矿岗位适合性判断管理模型,能够快速、准确判断煤矿井下作业人员疲劳状况。
附图说明
图1为本发明实施例提供的阈值基于脑电检测的矿工生理与心理疲劳监测方法的流程示意图;
图2为脑电波Y节律波形图;
图3为脑电波β节律波形图;
图4为脑电波α节律波形图;
图5为脑电波θ节律波形图;
图6为脑电波δ节律波形图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明实施例提供一种基于脑电检测的矿工生理与心理疲劳监测方法,如图1所示,该方法通过以下步骤实现:
步骤101:脑波检测终端将所述采集到的矿工的脑电波数据从时域信号转换为频域信号。
具体的,脑电波按频率分成五个基本节律,即Y波(31-100Hz)、β波(14至30Hz)、α波(8至13Hz)、θ波(4至7Hz)、δ波(1至3Hz)。
Y波:Y波幅度只有1-10uV,表示人当前的高度紧张,当受到刺激高度紧张时,就会产生脑电脉冲,脑电脉冲之间会有间歇性缓冲。Y节律脑电波形图如图2所示。
β波:其检测到到电压幅度值在5uV-20uV,β波频率比较高,处于该脑波频率的人精神相对紧张,对周围事物感知程度很高,此时人最能专注于外在环境,随着β波增加,身体逐渐呈紧张状态,在此状态下人的身心能量耗费较大,若休息不充分,压力非常容易积累,大脑能量一方面要准备应对外部刺激,同时还要维持***自身运作,但长时间持续这一过程会造成大脑疲劳,很多人在学习和工作中会有这样的体验。当有外部刺激时,其幅度会上升,但很快就会恢复。要提高人在正常情况下的专注度还是需要适量的β波来获得帮助,β节律脑电波形图如图3所示。
α波:其检测到的电压幅度值在20uV-100uV,α波的频率在没有外加刺激时是比较恒定的,脑波处于该频率时人的大脑清醒而放松,注意力适度集中,这是一种比较好的大脑工作状态,不易受外界其它事物干扰,而且疲劳累积效应相对于β波要小,脑电波幅度相对稳定,当受到外界刺激时人注意力会被分散,α波的幅度会降低,频率上升,α节律脑电波形图如图4所示。
θ波:其检测到的电压幅度值在50uV-150uV,脑电波幅度比较稳定,该频率的脑波表示人的精神处于比较放松状态,注意力下降,逐渐呈现出疲劳状态。在施加外界刺激时,人的注意力会集中,此时θ波的幅度会上升,θ波节律脑电波形图如图5所示。
δ波:其检测到到电压幅度值在20uV-200uV,当人在极度疲劳状态下,可持续出现这种波段,当人受外界刺激逐渐清醒时,δ波也会出现,但不连续,δ波节律脑电波形图如图6所示。
本发明通过额外的头戴式脑波检测设备采集矿工的脑电波数据,采集到的矿工的脑电波数据输出到脑波检测终端,也可以采用脑波检测终端的脑波信号采集模块进行脑电波数据的采集。
通过脑波检测终端将所述采集到的矿工的脑电波数据从时域信号转换为频域信号。
所述脑波检测终端包括脑波信号采集模块、脑波芯片处理模块、通信模块;所述脑波信号采集模块为脑波信号干电极;所述脑波芯片处理模块为TGAM芯片;所述通信模块为蓝牙通信模块。
本发明利用小波变换算法将时域信号转换为频域信号。
步骤102:对所述转换后的频域信号进行分析得出脑电波数据中不同节律的脑波能量占比。
具体的,首先建立岗位适应性分析模型,岗位适应性包括专注度分析和放松度分析,然后借助层次分析法(AHP)分别对专注度分析和放松度分析建立层次分析模型,并将其作为顶层,专注度分析的准则层包括专注度、专注持续时间,底层包括Y波、β波、α波脑电信号能量占比,放松度分析的准则层包括放松度、放松度持续时间,底层包括δ波、α波、θ波脑电信号能量占比,再根据所述岗位适应性分析模型得到Y波、β波、α波的权重系数和α波、θ波、δ波的权重系数,最后根据Y波、β波、α波的权重系数得到专注度,根据α波、θ波、δ波的权重系数得到放松度。
所述建立岗位适应性分析模型包括建立专注度层次模型和放松度层次模型。
所述建立专注度层次模型通过以下步骤实现:
步骤201:构造判断(成对比较)矩阵:
在煤矿井下作业时,专注度相对于专注度持续时间更重要,所以专注度与专注度持续时间比值选为2。
步骤202:层次单排序及其一致性检验
由所述判断矩阵得出:
所述判断矩阵的最大特征值λmax为2;特征向量Wa=(0.89,0.45,)T;一致性指标为
随机一致性指标为RI=0.1(查表);一致性比率为CR=0<0.1。
由以上计算结果可知通过一致性检验。
Y波、β波、α波脑电信号能量占比关于专注度和专注度持续时间2个标准的判断矩阵如下:
专注度判断矩阵为:
由所述专注度判断矩阵得出:
判断矩阵最大特征值λmax为3;特征向量W1=(0.86,0.43,0.29)T;一致性指标为随机一致性指标RI=0.58(查表);一致性比率CR=0<0.1;
专注度持续时间判断矩阵为:
由所述专注度持续时间判断矩阵得出:
判断矩阵最大特征值λmax为3;特征向量W2=(0.27,0.80,0.53)T;一致性指标为
随机一致性指标RI=0.58(查表);一致性比率CR=0<0.1。
通过以上分析得出这两个矩阵均通过一致性检验,并由专注度和专注度持续时间特征向量得中间层影响因素特征向量。
特征向量Wb由矩阵B1特征向量W1和矩阵B2特征向量W2组成,是方便后续计算权重系数形成的特征向量组;
步骤203:层次总排序
由计算结果得出层次总排序通过一致性检验,然后按照总排序权向量表示的结果进行决策,目标总方案的比较结果:
由此得到表示Y波、β波、α波的权重系数m、n、t分别为0.89、0.74、0.50。
所述建立放松度层次模型通过以下步骤实现:
步骤301:构造判断(成对比较)矩阵
在煤矿井下作业时,放松度相对于放松持续时间更重要,所以放松度与放松度持续时间比值选为2。
步骤302:层次单排序及其一致性检验
由判断矩阵得出:判断矩阵的最大特征值λmax为2;特征向量Wm=(0.89,0.45,)T;一致性指标为随机一致性指标为RI=0.1(查表);一致性比率为CR=0<0.1;由以上计算结果可知通过一致性检验。
α波、θ波、δ波脑电信号能量占比关于放松度和放松度持续时间2个标准的判断矩阵如下。
放松度判断矩阵为:
由所述放松度判断矩阵得出:
判断矩阵的最大特征值λmax为3;特征向量W1=(022,0.87,0.44)T;一致性指标为随机一致性指标RI=0.58(查表);一致性比率CR=0<0.1;
放松度持续时间判断矩阵为:
由所述放松度持续时间判断矩阵得出:
判断矩阵最大特征值λmax为3;特征向量W2=(0.27,0.53,0.80)T;一致性指标为随机一致性指标RI=0.58(查表);一致性比率CR=0<0.1。
通过以上分析得出这两个矩阵均通过一致性检验,并由放松度和放松度持续时间特征向量得中间层影响因素特征向量。
特征向量Wc由矩阵C1特征向量W1和矩阵C2特征向量W2组成,是方便后续计算权重系数形成的特征向量组;
步骤302:层次总排序
由计算结果得出层次总排序通过一致性检验,然后按照总排序权向量表示的结果进行决策,目标总方案的比较结果:
由此得到表示α波、θ波、δ波的权重系数x、y、z分别为0.32、1.01、0.75。
当人处于疲劳状态时,θ波、δ波在脑电信号能量占比较大,所述专注度的公式为:
Pa=(mY+nβ+tα)×100 (11)
Pa表示专注度,Y、β、α分别表示Y波、β波、α波在脑电信号能量中的百分比,m、n、t分别表示Y波、β波、α波的权重系数,通过层次分析法可获得。
所述放松度的公式为:
Pm=(xθ+yδ+zα)×100 (12)
根据得到Y波、β波、α波的权重系数和α波、θ波、δ波的权重系数、以及公式(11)、(12)得到专注度和放松度。
步骤103:根据脑波能量占比确定所述矿工的生理与心理疲劳状况。
具体的,根据得到的专注度和放松度的数值所在的疲劳等级阈值判断所述矿工的生理与心理疲劳状况。
所述疲劳等级阈值具体分为:
l)专注度与放松度的数值在1至20区间,表明被测者处于很低的指数水平,专注度很低说明被测者当前非常疲劳,注意力很难保持正常状态,放松度低说明被测者因受刺激导致当前精神状态过于紧张,甚至无法进行自我调控;
2)专注度与放松度的数值在20至40区间,表明被测者处于较低的指数水平,专注度较低说明被测者当前疲劳程度较为严重,注意力无法长时间集中,放松度较低说明被测者当前精神状态比较紧张,会影响到工作状态稳定性,通过生理或心理调节可进行缓解;
3)专注度与放松度的数值在40至60区间,表明被测者的指数处于中等水平,专注度处于中等水平说明被测者当前疲劳程度比较轻,注意力可以集中,放松度处于中等水平说明被测者当前精神状态不再紧张,有放松趋势;
4)专注度与放松度的数值在60至80区间,表明被测者处于较高的指数水平,专注度较高说明被测者当前注意力比较集中,并且可保持一段时间,放松度处于较高水平说明被测者当前精神状态轻松,生理与心理状况稳定,此时人的工作逐渐进入理想状态;
5)专注度与放松度的数值在80至100区间,表明被测者处于很高的指数水平,专注度高说明被测者当前注意力非常集中,并且可保持很长段时间,但是随着时间的延长,人的疲劳程度会逐渐显现,放松度处于较高水平说明被测者当前精神状态非常轻松,人的生理与心理状况已经达到最佳,但是不会持续很长时间。
当矿工在井下作业时,因疲劳会在几秒钟内出现专注度下降,注意力放松的状况,可能导致不安全作业行为产生,所以通过专注度和放松度分析矿工疲劳程度需要一个基准线,这里基准线取值的选取不能过于极端,通过上述分析,当指数超过80或低于20时,说明指数已经处于较为极端区域,所以需要应有一个适当的提前量,通常选定为10。医学研究表明,人的疲劳状况持续3秒以上就会影响行为的准确控制。因此在3秒以上的时间段中,矿工的专注度低于30且放松度高于70时,说明矿工出现了较为严重疲劳状况,会影响到当前的岗位工作。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (5)
1.一种基于脑电检测的矿工生理与心理疲劳监测方法,其特征在于,该方法为:脑波检测终端将所述采集到的矿工的脑电波数据从时域信号转换为频域信号,再对所述转换后的频域信号进行分析得出脑电波数据中不同节律的脑波能量占比,最后根据脑波能量占比确定所述矿工的生理与心理疲劳状况。
2.根据权利要求1所述的基于脑电检测的矿工生理与心理疲劳监测方法,其特征在于,所述对所述转换后的频域信号进行分析得出脑电波数据中不同节律的脑波能量占比,具体为:首先建立岗位适应性分析模型,再根据所述岗位适应性分析模型得到Y波、β波、α波的权重系数和α波、θ波、δ波的权重系数,最后根据Y波、β波、α波的权重系数得到专注度,根据α波、θ波、δ波的权重系数得到放松度;所述建立岗位适应性分析模型包括建立专注度层次模型和放松度层次模型。
3.根据权利要求2所述的基于脑电检测的矿工生理与心理疲劳监测方法,其特征在于,所述建立专注度层次模型通过以下步骤实现:
步骤201:构造判断(成对比较)矩阵:
在煤矿井下作业时,专注度相对于专注度持续时间更重要,所以专注度与专注度持续时间比值选为2;
步骤202:层次单排序及其一致性检验
由所述判断矩阵得出:
所述判断矩阵的最大特征值λmax为2;特征向量Wa=(0.89,0.45,)T;一致性指标为
随机一致性指标为RI=0.1(查表);一致性比率为CR=0<0.1;
由以上计算结果可知通过一致性检验;
Y波、β波、α波脑电信号能量占比关于专注度和专注度持续时间2个标准的判断矩阵如下:
专注度判断矩阵为:
由所述专注度判断矩阵得出:
判断矩阵最大特征值λmax为3;特征向量W1=(0.86,0.43,0.29)T;一致性指标为随机一致性指标RI=0.58(查表);一致性比率CR=0<0.1;
专注度持续时间判断矩阵为:
由所述专注度持续时间判断矩阵得出:
判断矩阵最大特征值λmax为3;特征向量W2=(0.27,0.80,0.53)T;一致性指标为
随机一致性指标RI=0.58(查表);一致性比率CR=0<0.1;
通过以上分析得出这两个矩阵均通过一致性检验,并由专注度和专注度持续时间特征向量得中间层影响因素特征向量;
步骤203:层次总排序
由计算结果得出层次总排序通过一致性检验,然后按照总排序权向量表示的结果进行决策,目标总方案的比较结果:
特征向量Wb由矩阵B1特征向量W1和矩阵B2特征向量W2组成;
由此得到表示Y波、β波、α波的权重系数m、n、t分别为0.89、0.74、0.50。
4.根据权利要求2所述的基于脑电检测的矿工生理与心理疲劳监测方法,其特征在于,所述建立放松度层次模型通过以下步骤实现:
步骤301:构造判断(成对比较)矩阵
在煤矿井下作业时,放松度相对于放松持续时间更重要,所以放松度与放松度持续时间比值选为2;
步骤302:层次单排序及其一致性检验
由判断矩阵得出:判断矩阵的最大特征值λmax为2;特征向量Wm=(0.89,0.45,)T;一致性指标为随机一致性指标为RI=0.1(查表);一致性比率为CR=0<0.1;由以上计算结果可知通过一致性检验;
α波、θ波、δ波脑电信号能量占比关于放松度和放松度持续时间2个标准的判断矩阵如下;
放松度判断矩阵为:
由所述放松度判断矩阵得出:
判断矩阵的最大特征值λmax为3;特征向量W1=(022,0.87,0.44)T;一致性指标为随机一致性指标RI=0.58(查表);一致性比率CR=0<0.1;
放松度持续时间判断矩阵为:
由所述放松度持续时间判断矩阵得出:
判断矩阵最大特征值λmax为3;特征向量W2=(0.27,0.53,0.80)T;一致性指标为随机一致性指标RI=0.58(查表);一致性比率CR=0<0.1;
通过以上分析得出这两个矩阵均通过一致性检验,并由放松度和放松度持续时间特征向量得中间层影响因素特征向量;
特征向量Wc由矩阵C1特征向量W1和矩阵C2特征向量W2组成;
步骤302:层次总排序
由计算结果得出层次总排序通过一致性检验,然后按照总排序权向量表示的结果进行决策,目标总方案的比较结果:
由此得到表示α波、θ波、δ波的权重系数x、y、z分别为0.32、1.01、0.75。
5.根据权利要求1所述的基于脑电检测的矿工生理与心理疲劳监测方法,其特征在于,根据脑波能量占比确定所述矿工的生理与心理疲劳状况,具体为:根据得到的专注度和放松度的数值所在的疲劳等级阈值判断所述矿工的生理与心理疲劳状况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510030356.4A CN104605866A (zh) | 2015-01-21 | 2015-01-21 | 基于脑电检测的矿工生理与心理疲劳监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510030356.4A CN104605866A (zh) | 2015-01-21 | 2015-01-21 | 基于脑电检测的矿工生理与心理疲劳监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104605866A true CN104605866A (zh) | 2015-05-13 |
Family
ID=53140723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510030356.4A Pending CN104605866A (zh) | 2015-01-21 | 2015-01-21 | 基于脑电检测的矿工生理与心理疲劳监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104605866A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978495A (zh) * | 2015-07-20 | 2015-10-14 | 西安科技大学 | 一种基于脑电检测的矿工脑力负荷评价方法 |
CN104992280A (zh) * | 2015-06-29 | 2015-10-21 | 中国民用航空厦门空中交通管理站 | 基于智能耳麦的空中交通管制员安全能力自动监控*** |
CN106691445A (zh) * | 2016-12-20 | 2017-05-24 | 广州视源电子科技股份有限公司 | 基于自回归模型和小波变换的脑电放松度识别方法及*** |
CN107157476A (zh) * | 2017-05-22 | 2017-09-15 | 西安科技大学 | 一种用于智能矿用头盔的矿工焦虑度识别方法 |
CN107169462A (zh) * | 2017-05-19 | 2017-09-15 | 山东建筑大学 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
CN108304074A (zh) * | 2018-02-11 | 2018-07-20 | 广东欧珀移动通信有限公司 | 显示控制方法及相关产品 |
CN108694619A (zh) * | 2018-06-20 | 2018-10-23 | 新华网股份有限公司 | 电影票房预测方法和*** |
CN110074797A (zh) * | 2019-04-17 | 2019-08-02 | 重庆大学 | 基于脑电波和时空数据融合的时空-心理分析方法 |
CN110584682A (zh) * | 2019-08-21 | 2019-12-20 | 清华大学 | 基于生理测量的建筑工人疲劳与不安全行为关系研究装置 |
CN110623680A (zh) * | 2019-08-30 | 2019-12-31 | 中国民用航空飞行学院 | 一种民航飞行学员心理健康测试方法 |
CN110772267A (zh) * | 2019-11-07 | 2020-02-11 | 中国人民解放军63850部队 | 一种人体生理疲劳数据标记方法及疲劳识别模型 |
CN112987918A (zh) * | 2021-02-06 | 2021-06-18 | 杭州职业技术学院 | Vr移动平台数据处理方法和装置 |
CN113208611A (zh) * | 2021-04-13 | 2021-08-06 | 中南民族大学 | 一种融合机器学习与物联网技术的疲劳驾驶实时监测*** |
CN113425297A (zh) * | 2021-07-19 | 2021-09-24 | 山东女子学院 | 基于脑电信号的儿童注意力专注度训练方法及*** |
CN115886812A (zh) * | 2022-09-30 | 2023-04-04 | 中国安全生产科学研究院 | 一种员工心理健康的评估和引导*** |
CN116596320A (zh) * | 2023-07-10 | 2023-08-15 | 北京大学第三医院(北京大学第三临床医学院) | 一种煤矿作业人员的风险评估方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004028362A1 (en) * | 2002-09-24 | 2004-04-08 | University Of Technology, Sydney | Eeg-based fatigue detection |
CN103815901A (zh) * | 2013-11-22 | 2014-05-28 | 刘志勇 | 一种应用于单导联便携式脑电设备的频域特征提取算法 |
CN103815900A (zh) * | 2013-11-22 | 2014-05-28 | 刘志勇 | 基于脑电频域特征指标化算法测量警觉性的帽子及方法 |
CN103989485A (zh) * | 2014-05-07 | 2014-08-20 | 朱晓斐 | 基于脑电波的人体疲劳度评价方法 |
-
2015
- 2015-01-21 CN CN201510030356.4A patent/CN104605866A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004028362A1 (en) * | 2002-09-24 | 2004-04-08 | University Of Technology, Sydney | Eeg-based fatigue detection |
CN103815901A (zh) * | 2013-11-22 | 2014-05-28 | 刘志勇 | 一种应用于单导联便携式脑电设备的频域特征提取算法 |
CN103815900A (zh) * | 2013-11-22 | 2014-05-28 | 刘志勇 | 基于脑电频域特征指标化算法测量警觉性的帽子及方法 |
CN103989485A (zh) * | 2014-05-07 | 2014-08-20 | 朱晓斐 | 基于脑电波的人体疲劳度评价方法 |
Non-Patent Citations (3)
Title |
---|
VAIDYA O S, ET AL: "analytic hierarchy process: an overview of applications", 《EUROPEAN JOURNAL OF OPERATIONAL RESEARCH》 * |
董建梁: "基于脑电检测的矿工生理与心理疲劳监测***", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
董建梁等: "基于脑电检测的煤矿矿工井下疲劳作业监测研究", 《中国科技信息》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992280A (zh) * | 2015-06-29 | 2015-10-21 | 中国民用航空厦门空中交通管理站 | 基于智能耳麦的空中交通管制员安全能力自动监控*** |
CN104978495A (zh) * | 2015-07-20 | 2015-10-14 | 西安科技大学 | 一种基于脑电检测的矿工脑力负荷评价方法 |
CN106691445A (zh) * | 2016-12-20 | 2017-05-24 | 广州视源电子科技股份有限公司 | 基于自回归模型和小波变换的脑电放松度识别方法及*** |
CN106691445B (zh) * | 2016-12-20 | 2020-09-04 | 广州视源电子科技股份有限公司 | 基于自回归模型和小波变换的脑电放松度识别方法及*** |
CN107169462A (zh) * | 2017-05-19 | 2017-09-15 | 山东建筑大学 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
CN107157476A (zh) * | 2017-05-22 | 2017-09-15 | 西安科技大学 | 一种用于智能矿用头盔的矿工焦虑度识别方法 |
CN107157476B (zh) * | 2017-05-22 | 2018-04-10 | 西安科技大学 | 一种用于智能矿用头盔的矿工焦虑度识别方法 |
CN108304074A (zh) * | 2018-02-11 | 2018-07-20 | 广东欧珀移动通信有限公司 | 显示控制方法及相关产品 |
CN108304074B (zh) * | 2018-02-11 | 2021-04-16 | Oppo广东移动通信有限公司 | 显示控制方法及相关产品 |
CN108694619A (zh) * | 2018-06-20 | 2018-10-23 | 新华网股份有限公司 | 电影票房预测方法和*** |
CN110074797A (zh) * | 2019-04-17 | 2019-08-02 | 重庆大学 | 基于脑电波和时空数据融合的时空-心理分析方法 |
CN110074797B (zh) * | 2019-04-17 | 2022-08-23 | 重庆大学 | 基于脑电波和时空数据融合的时空-心理分析方法 |
CN110584682A (zh) * | 2019-08-21 | 2019-12-20 | 清华大学 | 基于生理测量的建筑工人疲劳与不安全行为关系研究装置 |
CN110623680A (zh) * | 2019-08-30 | 2019-12-31 | 中国民用航空飞行学院 | 一种民航飞行学员心理健康测试方法 |
CN110772267B (zh) * | 2019-11-07 | 2022-04-19 | 中国人民解放军63850部队 | 一种人体生理疲劳数据标记方法及疲劳识别模型 |
CN110772267A (zh) * | 2019-11-07 | 2020-02-11 | 中国人民解放军63850部队 | 一种人体生理疲劳数据标记方法及疲劳识别模型 |
CN112987918A (zh) * | 2021-02-06 | 2021-06-18 | 杭州职业技术学院 | Vr移动平台数据处理方法和装置 |
CN113208611A (zh) * | 2021-04-13 | 2021-08-06 | 中南民族大学 | 一种融合机器学习与物联网技术的疲劳驾驶实时监测*** |
CN113425297A (zh) * | 2021-07-19 | 2021-09-24 | 山东女子学院 | 基于脑电信号的儿童注意力专注度训练方法及*** |
CN115886812A (zh) * | 2022-09-30 | 2023-04-04 | 中国安全生产科学研究院 | 一种员工心理健康的评估和引导*** |
CN116596320A (zh) * | 2023-07-10 | 2023-08-15 | 北京大学第三医院(北京大学第三临床医学院) | 一种煤矿作业人员的风险评估方法及*** |
CN116596320B (zh) * | 2023-07-10 | 2023-10-24 | 北京大学第三医院(北京大学第三临床医学院) | 一种煤矿作业人员的风险评估方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104605866A (zh) | 基于脑电检测的矿工生理与心理疲劳监测方法 | |
US11672431B2 (en) | Seizure detection methods, apparatus, and systems using an autoregression algorithm | |
CN107822623A (zh) | 一种基于多源生理信息的驾驶员疲劳及情绪评价方法 | |
CN205582210U (zh) | 头戴式防疲劳驾驶装置 | |
CN108765876A (zh) | 基于多模信号的驾驶疲劳深度分析预警***及方法 | |
CN106691474A (zh) | 融合脑电信号与生理信号的疲劳检测*** | |
CN102184415B (zh) | 一种基于脑电信号的疲劳状态识别方法 | |
CN106781283B (zh) | 一种基于软集合的疲劳驾驶检测方法 | |
CN107280663A (zh) | 一种基于不同实验难度的疲劳脑电特征研究的方法 | |
CN103932719A (zh) | 疲劳驾驶检测技术 | |
CN105942974A (zh) | 一种基于低频脑电的睡眠分析方法及*** | |
CN104461007A (zh) | 一种基于脑电信号的驾驶员辅助人车交互*** | |
CN105243789A (zh) | 一种融合心电信号和手握方向盘压力的疲劳驾驶检测方法 | |
Begum et al. | Mental state monitoring system for the professional drivers based on Heart Rate Variability analysis and Case-Based Reasoning | |
CN107157476B (zh) | 一种用于智能矿用头盔的矿工焦虑度识别方法 | |
CN103300869A (zh) | 基于人体呼吸信号的汽车驾驶员疲劳实时监测*** | |
CN105405253A (zh) | 一种驾驶员疲劳状态的监测方法及监测装置 | |
Shangguan et al. | Feature extraction of EEG signals based on functional data analysis and its application to recognition of driver fatigue state | |
CN104720798A (zh) | 基于脑电频谱特征的疲劳检测方法及*** | |
EP2765906A1 (en) | Apparatus and systems for event detection using probabilistic measures | |
Lin et al. | An early warning system for predicting driver fatigue | |
CN104239679A (zh) | 一种煤层群上行安全开采的评价方法 | |
CN205433685U (zh) | 一种基于表面肌电技术的驾驶员疲劳检测*** | |
CN108553810A (zh) | 一种人工智能vr装置 | |
CN114391845A (zh) | 一种建筑施工设备操作人员心理疲劳的测量方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150513 |
|
WD01 | Invention patent application deemed withdrawn after publication |