CN104720799A - 基于低频脑电信号的疲劳检测方法及*** - Google Patents
基于低频脑电信号的疲劳检测方法及*** Download PDFInfo
- Publication number
- CN104720799A CN104720799A CN201510161555.9A CN201510161555A CN104720799A CN 104720799 A CN104720799 A CN 104720799A CN 201510161555 A CN201510161555 A CN 201510161555A CN 104720799 A CN104720799 A CN 104720799A
- Authority
- CN
- China
- Prior art keywords
- fatigue
- eeg signals
- feature
- characteristic
- signal
- 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
- A61B5/24—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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Educational Technology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本公开的实施方式提供了一种基于低频脑电信号的疲劳检测方法及***,该方法包括:获取预定时间段内的脑电信号;提取与所述脑电信号中的低频脑电信号相关的疲劳特征;以及根据所述疲劳特征确定疲劳等级。由于低频脑电信号与疲劳密切相关,所以采用与低频脑电信号相关的疲劳特征进行疲劳检测能够进一步提高疲劳检测的准确性。
Description
技术领域
本公开的各个实施方式涉及基于脑电信号的疲劳检测技术领域,并且更具体地涉及一种基于低频脑电信号的疲劳检测方法及***。
背景技术
疲劳是指人在一定的环境下,由于长时间的体力或脑力劳动而引起的劳动效率下降的状态。在现代社会,尤其是在实时监控、交通运输、高危作业等领域,由于在疲劳状态下警觉性、持续注意力、工作记忆力、判断力等能力的下降,工作人员极易出现随意操作和违章行为,从而可能引发安全事故。因此,建立起客观可靠并且对正常工作无干扰的精神疲劳检测***,对于防范由于疲劳引发的安全事故是非常必要的,具有极大的经济价值和社会价值。
疲劳状态的检测方法主要分主观评价和客观检测两类。主观评价方法主要是依靠个体自我评价和自我记录表等来评测被试者的疲劳程度。主观评价方法虽然操作简单,然而这些方法易受主观因素的影响,并且评分标准不统一,也难以量化疲劳等级,其结果往往不太令人满意。客观检测主要从生物医学角度出发,借用医用电子设备测试被试者的人体行为或生物信号的某些特征的变化趋势,从而判断其疲劳程度。现阶段研究的客观方法主要是利用生物信号的特征变化趋势加以检测,这些生物信号主要包括脑电信号、眼电信号、心电信号、肌电信号等。在这些生理信号中,脑电信号能客观地记录大脑机能状态的连续变化,是人脑思维活动、认知和意识状态的一种外在表现,有着更高的时间分辨率,而且无法人为控制及伪造,被誉为疲劳检测方法的“金标准”,获得医学界的广泛认可。随着生物信号检测技术的进步和现代信号处理技术的快速发展,极大地推动了基于脑电的精神疲劳研究。
现有技术中基于脑电信号的疲劳检测方法,大多是基于中高频脑电信号(即theta波、alpha波和beta波)的频谱特征变化趋势来检测警觉度变化情况。不同个体之间的theta波、alpha波和beta波的绝对频谱特征存在非常大的差异,甚至可能出现不同数量级的差异,因此容易引起不同警觉度水平的混淆,极易造成疲劳检测准确度下降。此外,现有技术中通常基于多通道的脑电信号进行研究,多通道脑电信号需要采用多个测试电极分别进行采集,因此电极位置受头发影响,佩戴起来不方便。
发明内容
本公开的目的包括提供一种基于低频脑电信号的疲劳检测方法及***,以至少部分解决现有技术中的上述问题。
根据本公开的一个方面,提供了一种基于脑电信号的疲劳检测方法,包括:获取预定时间段内的脑电信号;提取与所述脑电信号中的低频脑电信号相关的疲劳特征;以及根据所述疲劳特征确定疲劳等级。
根据本公开的一个示例性实施方式,所述方法还包括对获取的所述脑电信号进行预处理,其中所述预处理包括:去除所述脑电信号中的幅度异常的信号,以产生剩余信号;对所述剩余信号进行标准化处理,以产生标准化信号;以及对所述标准化信号进行平滑滤波以滤除所述标准化信号中的基线漂移信号。
根据本公开的一个示例性实施方式,所述方法还包括对经预处理的所述脑电信号进行噪音检测和去除,其中所述噪音检测和去除包括:将所述脑电信号划分为多个分段;分别对各个分段进行噪音检测,以确定是否存在明显漂移信号;以及采用移动中值滤波对存在明显漂移信号的分段进行去漂移。
根据本公开的一个示例性实施方式,提取所述疲劳特征进一步包括:将所述脑电信号划分为多个分段;分别提取与各个分段相关的所述疲劳特征;以及计算与各个分段相关的所述疲劳特征的平均值作为与所述低频脑电信号相关的所述疲劳特征。
根据本公开的一个示例性实施方式,所述疲劳特征包括静态疲劳特征。
根据本公开的一个示例性实施方式,所述方法还包括对提取的静态疲劳特征进行特征平滑,其中特征平滑包括:利用当前预定时间段的静态疲劳特征以及所述当前预定时间段之前的多个时间段的静态疲劳特征,通过移动加权平均法计算所述当前预定时间段的经平滑的静态疲劳特征。
根据本公开的一个示例性实施方式,所述疲劳特征还包括用于表征静态疲劳特征的变化趋势的一阶差分动态特征。
根据本公开的一个示例性实施方式,所述方法还包括:采用线性判别分析法对由静态疲劳特征和一阶差分动态特征形成的特征向量进行特征选择,以选择出与疲劳相关的特征分量并且去除与疲劳无关的特征分量。
根据本公开的一个示例性实施方式,其中静态疲劳特征包括慢速眼电信号的相对功率和/或重心频率;其中所述相对功率是所述慢速眼电信号的绝对功率与所述低频脑电信号的绝对功率的比值;其中所述慢速眼电信号的频率范围为a Hz至b Hz,其中0.1<a<0.5且0.8<b<1.5;并且其中低频脑电信号的频率范围为a Hz至c Hz,其中2<c<6。
根据本公开的一个示例性实施方式,根据所述疲劳特征确定疲劳等级进一步包括:根据所述相对功率与所述重心频率的比值确定所述疲劳等级。
根据本公开的一个示例性实施方式,根据所述疲劳特征确定疲劳等级进一步包括:根据所述疲劳特征,采用隐马尔可夫模型来确定所述疲劳等级。
根据本公开的另一方面,提供了一种基于脑电信号的疲劳检测***,包括:脑电信号获取装置,用于获取预定时间段内的脑电信号;疲劳特征提取装置,用于提取与所述脑电信号中的低频脑电信号相关的疲劳特征;以及疲劳等级确定装置,用于根据所述疲劳特征确定疲劳等级。
根据本公开的一个示例性实施方式,所述***还包括预处理装置,所述预处理装置用于对获取的所述脑电信号进行预处理,其中所述预处理包括:去除所述脑电信号中的幅度异常的信号,以产生剩余信号;对所述剩余信号进行标准化处理,以产生标准化信号;以及对所述标准化信号进行平滑滤波以滤除所述标准化信号中的基线漂移信号。
根据本公开的一个示例性实施方式,所述***还包括噪音检测和去除装置,所述噪音检测和去除装置用于对经预处理的所述脑电信号进行噪音检测和去除,其中所述噪音检测和去除包括:将所述脑电信号划分为多个分段;分别对各个分段进行噪音检测,以确定是否存在明显漂移信号;以及采用移动中值滤波对存在明显漂移信号的分段进行去漂移。
根据本公开的一个示例性实施方式,所述疲劳特征提取装置进一步包括:分段装置,用于将所述脑电信号划分为多个分段;分段特征提取装置,用于分别提取与各个分段相关的所述疲劳特征;以及均值计算装置,用于计算与各个分段相关的所述疲劳特征的平均值作为与所述低频脑电信号相关的所述疲劳特征。
根据本公开的一个示例性实施方式,所述疲劳特征包括静态疲劳特征。
根据本公开的一个示例性实施方式,所述***还包括特征平滑装置,所述特征平滑装置用于对提取的静态疲劳特征进行特征平滑,其中所述特征平滑包括:利用当前预定时间段的静态疲劳特征以及所述当前预定时间段之前的多个时间段的静态疲劳特征,通过移动加权平均法计算所述当前预定时间段的经平滑的静态疲劳特征。
根据本公开的一个示例性实施方式,所述疲劳特征还包括用于表征静态疲劳特征的变化趋势的一阶差分动态特征。
根据本公开的一个示例性实施方式,所述***还包括:特征选择装置,用于采用线性判别分析法对由静态疲劳特征和一阶差分动态特征形成的特征向量进行特征选择,以选择出与疲劳相关的特征分量并且去除与疲劳无关的特征分量。
根据本公开的一个示例性实施方式,所述静态疲劳特征包括慢速眼电信号的相对功率和/或重心频率;其中相对功率是慢速眼电信号的绝对功率与所述低频脑电信号的绝对功率的比值;其中慢速眼电信号的频率范围为a Hz至b Hz,其中0.1<a<0.5且0.8<b<1.5;并且其中所述低频脑电信号的频率范围为a Hz至c Hz,其中2<c<6。
根据本公开的一个示例性实施方式,所述疲劳等级确定装置进一步用于根据所述相对功率与所述重心频率的比值确定所述疲劳等级。·
根据本公开的一个示例性实施方式,所述疲劳等级确定装置根据所述疲劳特征,采用隐马尔可夫模型来确定所述疲劳等级。
在本公开的各个实施方式的技术方案中,由于低频脑电信号(尤其是其中的慢速眼电信号)与疲劳密切相关,所以采用与低频脑电信号相关的疲劳特征进行疲劳检测能够进一步提高疲劳检测的准确性。
附图说明
当结合附图阅读下文对示范性实施方式的详细描述时,这些以及其它目的、特征和优点将变得显而易见,在附图中:
图1示出了根据本公开的示例性实施方式的疲劳检测方法的流程图;
图2示出了根据本公开的示例性实施方式的疲劳检测***的框图;以及
图3示出了根据本公开的示例性实施方式的疲劳特征提取装置的框图。
具体实施方式
下面将参考附图中的若干示例性实施方式来描述本公开的原理和方法。应当理解,描述这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开,而并非以任何方式限制本公开的范围。
图1示出了根据本公开的示例性实施方式的疲劳检测方法的流程图。如图1所示,疲劳检测方法总体上可以包括以下步骤:在101,获取预定时间段内的脑电信号;在102,对获取的脑电信号进行预处理;在103,对经预处理的脑电信号进行噪音检测和去除;在104,提取与低频脑电信号相关的疲劳特征,例如静态疲劳特征和动态疲劳特征;在105,对提取的静态疲劳特征进行特征平滑;在106,对由静态疲劳特征和动态疲劳特征形成的特征向量进行特征选择;·以及在107,根据疲劳特征确定疲劳等级。
在本公开的一个实施方式中,低频脑电信号可以包括慢速眼电信号、快速眼电信号、delta波以及部分theta波。在本公开的一个实施方式中,可以提取慢速眼电信号(包括慢速眨眼信号和慢速眼动信号)的相对功率和/或重心频率,其中慢速眼电信号的频率范围可以为a Hz至b Hz,其中0.1<a<0.5且0.8<b<1.5。在脑电信号中,低频脑电信号的频率范围通常为a Hz至c Hz,其中2<c<6。在一个示例中,可以假设a=0.3,b=1.1,c=4。在以下描述中,主要提取慢速眼电信号的相对功率和重心频率作为与低频脑电信号相关的疲劳特征,以此作为示例来描述本公开的原理。
在步骤101中,获取预定时间段内的脑电信号。原始脑电信号可以利用三个干电极(包括测试电极、参考电极和接地电极)进行采集,其中测试电极采集单通道脑电信号。三个干电极可以固定在发带上并且在使用时并排安放在前额位置。由于可以仅采用单个测试电极来采集单通道原始脑电信号,大大减少了电极的数量,所以佩戴舒适方便,并且电极位置不受头发影响。原始脑电信号的采样率可以为1KHz,在进行信号处理时可以对信号进行40Hz的低通滤波,然后降采样到125Hz。在以下描述中,假设针对每10秒的脑电信号实时判断一次疲劳程度,即每次获取10秒的脑电信号。然而,在本公开的各个实施方式中,上述预定时间段并不限于10秒,可以为其它时间长度,例如20秒。
在步骤102中,对在步骤101中获取的脑电信号进行预处理。预处理可以包括以下步骤:去除脑电信号中的幅度异常的信号,以产生剩余信号;对剩余信号进行标准化处理,以产生标准化信号;以及对标准化信号进行平滑滤波以滤除标准化信号中的基线漂移信号。由于低频脑电信号中的眼电信号的幅值通常不超过400μV,因此对于在步骤101中获取的脑电信号,可以直接去除幅值超过400μV的幅度异常的信号,对于剩余信号可以进行标准化处理以产生标准化信号,该标准化处理可以包括去除直流分量和单位化标准差。随·后,可以对标准化信号进行平滑滤波,以滤除标准化信号中的频率低于0.3Hz的基线漂移信号。
在步骤103中,对在步骤102中获得的经预处理的脑电信号进行噪音检测和去除。噪音检测和去除可以包括以下步骤:将脑电信号划分为多个分段;分别对各个分段进行噪音检测,以确定是否存在明显漂移信号;以及采用移动中值滤波对存在明显漂移信号的相应分段进行去漂移。例如,可以以8秒长度为基准并且以1秒长度为步长,将10秒脑电信号划分为3个分段,即0-8秒、1-9秒和2-10秒。然后,例如可以根据各个分段的重心频率对各个分段进行噪音检测,以判断是否存在明显漂移信号。对于存在明显漂移信号的分段,可以采用窗口长度为80的移动中值滤波进行去漂移。
在步骤104中,提取与低频脑电信号相关的疲劳特征。疲劳特征可以包括静态疲劳特征和动态疲劳特征。低频脑电信号中的慢速眼电信号的频率范围可以为a Hz至b Hz,其中0.1<a<0.5且0.8<b<1.5。在脑电信号中,低频脑电信号的频率范围通常为a Hz至cHz,其中2<c<6。在一个示例中,可以如下设定:a=0.3,b=1.1,c=4。在一个示例中,静态疲劳特征可以包括慢速眼电信号的相对功率和重心频率,而动态疲劳特征用于反映静态疲劳特征的变化趋势。慢速眼电信号的相对功率是慢速眼电信号(a Hz至b Hz)的绝对功率与低频脑电信号(a Hz至c Hz)的绝对功率的比值。
在本公开的一个实施方式中,提取疲劳特征可以包括以下步骤:将脑电信号划分为多个分段;分别提取与各个分段相关的疲劳特征;以及计算与各个分段相关的疲劳特征的平均值作为与低频脑电信号相关的疲劳特征。例如,对于在步骤103中已经分段进行了噪音检测和去除的三段脑电信号,可以分别计算与各个分段相关的疲劳特征,并且计算它们的平均值作为与低频脑电信号相关的疲劳特征。
对于在步骤103中已经分段进行噪音检测和去除的三段脑电信号,可以分别计算慢速眼电频段a~b Hz的绝对功率与低频脑电频段a~c Hz的绝对功率的比值,以得到各个分段的相对功率。然后,计算三个分段的相对功率的平均值作为当前预定时间段内慢速眼电信号的相对功率。
当人体由清醒到疲劳变化时,慢速眼电频段a~b Hz的绝对功率逐渐增加,低频脑电信号中的其它频段b~c Hz(包括快速眼电频段)的绝对功率逐渐减少。因此,慢速眼电频段的相对功率与疲劳是正相关的。此外,相对功率可以避免不同个体之间的差异性。实验表明慢速眼电频段0.3~1.1Hz的相对功率大于0.4时,人体基本处于轻度疲劳状态,其值越大个体越疲劳。本公开通过计算不同人体的低频脑电信号的相对功率,避免了个体间的差异性,而不需计算高频脑电信号的绝对功率。
然后,可以计算各个分段的重心频率。重心频率用于反映在各个分段内的频率分布,重心频率越小,代表慢速眼动和慢速眨眼频率越低,个体就越疲劳。当慢速眼电频段0.3~1.1Hz的重心频率小于0.71时,个体基本处于轻度疲劳状态。然后,计算三个分段的重心频率的平均值作为当前预定时间段内慢速眼电信号的重心频率。
在计算得到预定时间段的静态疲劳特征之后,可以进一步计算用于反映静态疲劳特征的变化趋势的动态疲劳特征。例如,可以计算用于表征静态疲劳特征(例如慢速眼电信号的相对功率和重心频率)的变化趋势的一阶差分动态特征,例如可以根据等式0.75*a(n+2)+0.375*a(n+1)-0.75*a(n-2)-0.375*a(n-1)来计算一阶差分动态特征,其中a(n)代表第n个时间段的静态疲劳特征。
在步骤105中,对于在步骤104中提取的静态疲劳特征进行特征平滑。特征平滑包括以下步骤:利用当前预定时间段的静态疲劳特征以及当前预定时间段之前的多个时间段的静态疲劳特征,通过移动加权平均法计算当前预定时间段的经平滑的静态疲劳特征。由于个体疲劳程度缓慢变化,而不同时刻的静态疲劳特征波动很大,因此可以利用移动加权平均法来减缓不同时间段的特征波动。移动加权平均法的窗口长度可以为24个点(对应于24个时间段),即对当前点(对应于当前的预定时间段)与之前的23个点(对应于当前预定时间段之前的23个时间段)的特征加权求和作为当前点的静态疲劳特征。24个点的权重系数依次增加,其中当前点权重最大。在步骤104中计算动态疲劳特征的步骤也可以在步骤105之后进行,也即,根据特征平滑之后的静态疲劳特征来计算动态疲劳特征。
在步骤106中,对由静态疲劳特征和动态疲劳特征形成的特征向量进行特征选择。对于在之前步骤中提取的静态疲劳特征和动态疲劳特征组成的4维特征向量,仍然存在着与疲劳无关的信息。因此,可以利用线性判别分析法(LDA)对特征向量进行特征选择,以选择出与疲劳相关的特征分量,去除与疲劳无关的分量,最终得到2维特征向量,供后续模型训练和疲劳等级分类使用。
在步骤107中,根据疲劳特征确定疲劳等级,疲劳特征例如包括上文中所描述的相对功率和重心频率。在本公开的一个实施方式中,也可以根据相对功率与重心频率的比值来确定疲劳等级。在本公开的一个实施方式中,可以采用隐马尔可夫(HMM)模型来确定疲劳等级(即警觉度)。警觉度可以分三个层次:清醒,过渡和疲劳。一个HMM模型可以模拟一个警觉度水平,可以从若干受试者的疲劳特征数据中挑选出适当的三个警觉度水平的训练数据,训练出三个HMM模型,用于警觉度分类,即确定疲劳等级。然而,警觉度也可以划分为其它数目的疲劳等级,例如1~9、1~100、甚至更多个疲劳等级。疲劳等级的数值越大表示越疲劳,例如当采用1~9的疲劳等级时,可以根据具体需求设定疲劳等级低于某个具体数值为非疲劳状态,例如可以设定疲劳等级低于6表示个体处于非疲劳状态,疲劳等级为6表示个体处于轻微疲劳状态,疲劳等级超过6表示个体进入疲劳状态。当确定个体进入疲劳状态时,可以根据不同的疲劳程度和具体需求采用不同层次的报警方式进行报警。
在上文中参照图1中所示的特定实施方式描述了根据本公开的疲劳检测原理。然而本领域技术人员能够理解的是,根据本公开的疲劳检测方法并不限于上述具体步骤,而是以权利要求所限定的范围为准。根据不同的需求,本领域技术人员容易想到省略或添加一个或多个步骤。
图2示出了根据本公开的示例性实施方式的疲劳检测***的框图。如图2所示,疲劳检测***总体上可以包括:脑电信号获取装置201,用于获取预定时间段内的脑电信号;预处理装置202,用于对获取的脑电信号进行预处理;噪音检测和去除装置203,用于对经预处理的脑电信号进行噪音检测和去除;疲劳特征提取装置204,用于提取与低频脑电信号相关的疲劳特征,例如静态疲劳特征和动态疲劳特征;特征平滑装置205,用于对提取的静态疲劳特征进行特征平滑;特征选择装置206,用于对由静态疲劳特征和动态疲劳特征形成的特征向量进行特征选择;以及疲劳等级确定装置207,用于根据疲劳特征确定疲劳等级。
在本公开的一个实施方式中,低频脑电信号可以包括慢速眼电信号、快速眼电信号、delta波以及部分theta波。在本公开的一个实施方式中,可以提取慢速眼电信号(包括慢速眨眼信号和慢速眼动信号)的相对功率和/或重心频率,其中慢速眼电信号的频率范围可以为a Hz至b Hz,其中0.1<a<0.5且0.8<b<1.5。在脑电信号中,低频脑电信号的频率范围通常为a Hz至c Hz,其中2<c<6。在一个示例中,可以假设a=0.3,b=1.1,c=4。在以下描述中,主要提取慢速眼电信号的相对功率和重心频率作为与低频脑电信号相关的疲劳特征,以此作为示例来描述本公开的原理。
脑电信号获取装置201用于获取预定时间段内的脑电信号。原始脑电信号可以利用三个干电极(包括测试电极、参考电极和接地电极)进行采集,其中测试电极采集单通道脑电信号。三个干电极可以固定在发带上并且在使用时并排安放在前额位置。由于可以仅采用单个测试电极来采集单通道原始脑电信号,大大减少了电极的数量,所以佩戴舒适方便,并且电极位置不受头发影响。原始脑电信号的采样率可以为1KHz,在进行信号处理时可以对信号进行40Hz的低通滤波,然后降采样到125Hz。在以下描述中,假设针对每10秒的脑电信号实时判断一次疲劳程度,即脑电信号获取装置201每次获取10秒的脑电信号。然而,在本公开的各个实施方式中,上述预定时间段并不限于10秒,可以为其它时间长度,例如20秒。
预处理装置202用于对由脑电信号获取装置201获取的脑电信号进行预处理。预处理包括以下步骤:去除脑电信号中的幅度异常的信号,以产生剩余信号;对剩余信号进行标准化处理,以产生标准化信号;以及对标准化信号进行平滑滤波以滤除标准化信号中的基线漂移信号。由于低频脑电信号中的眼电信号的幅值通常不超过400μV,因此对于在脑电信号获取装置201中获取的脑电信号,预处理装置202可以直接去除幅值超过400μV的幅度异常的信号。然后,预处理装置202对于剩余信号可以进行标准化处理以产生标准化信号,该标准化处理包括去除直流分量和单位化标准差。随后,预处理装置202可以对标准化信号进行平滑滤波,以滤除标准化信号中的频率低于0.3Hz的基线漂移信号。
噪音检测和去除装置203用于对由预处理装置202产生的脑电信号进行噪音检测和去除。噪音检测和去除包括以下步骤:将脑电信号划分为多个分段;分别对各个分段进行噪音检测,以确定是否存在明显漂移信号;以及采用移动中值滤波对存在明显漂移信号的相应分段进行去漂移。例如,噪音检测和去除装置203可以以8秒长度为基准并且以1秒长度为步长,将10秒脑电信号划分为3个分段,即0-8秒、1-9秒和2-10秒。然后,噪音检测和去除装置203根据各个分段的重心频率对各个分段进行噪音检测,以判断是否存在明显漂移信号。对于存在明显漂移信号的分段,噪音检测和去除装置203采用窗口长度为80的移动中值滤波进行去漂移。
疲劳特征提取装置204用于提取与低频脑电信号相关的疲劳特征。疲劳特征包括静态疲劳特征和动态疲劳特征。慢速眼电信号的频率范围可以为a Hz至b Hz,其中0.1<a<0.5且0.8<b<1.5。在脑电信号中,低频脑电信号的频率范围通常为a Hz至c Hz,其中2<c<6。在一个示例中,可以如下设定:a=0.3,b=1.1,c=4。在一个示例中,静态疲劳特征可以包括慢速眼电信号的相对功率和重心频率,而动态疲劳特征用于反映静态疲劳特征的变化趋势。慢速眼电信号的相对功率是慢速眼电信号(a Hz至b Hz)的绝对功率与低频脑电信号(a Hz至c Hz)的绝对功率的比值。
图3出了根据本公开的示例性实施方式的疲劳特征提取装置的框图。如图3所示,疲劳特征提取装置204可以包括:分段装置301,用于将脑电信号划分为多个分段;分段特征提取装置302,用于分别提取与各个分段相关的疲劳特征;以及均值计算装置303,用于计算与各个分段相关的疲劳特征的平均值作为与低频脑电信号相关的疲劳特征。例如,对于在噪音检测和去除装置203中已经分段进行了噪音检测和去除的三段脑电信号,分段特征提取装置302可以分别计算与各个分段相关的疲劳特征,并且均值计算装置303计算它们的平均值作为与低频脑电信号相关的疲劳特征。
对于在噪音检测和去除装置203中已经分段进行噪音检测和去除的三段脑电信号,分段特征提取装置302可以分别计算慢速眼电频段a~b Hz的绝对功率与低频脑电频段a~c Hz的绝对功率的比值,以得到各个分段的相对功率。然后,均值计算装置303计算三个分段的相对功率的平均值作为当前预定时间段内慢速眼电信号的相对功率。
当人体由清醒到疲劳变化时,慢速眼电频段a~b Hz的绝对功率逐渐增加,低频脑电信号中的其它频段b~c Hz(包括快速眼电频段)的绝对功率逐渐减少。因此,慢速眼电频段的相对功率与疲劳是正相关的。此外,相对功率可以避免不同个体之间的差异性。实验表明慢速眼电频段0.3~1.1Hz的相对功率大于0.4时,人体基本处于轻度疲劳状态,其值越大个体越疲劳。本公开通过计算不同人体的低频脑电信号的相对功率,避免了个体间的差异性,而不需计算高频脑电信号的绝对功率。
然后,分段特征提取装置302可以计算各个分段的重心频率。重心频率用于反映在各个分段内的频率分布,重心频率越小,代表慢速眼动和慢速眨眼频率越低,个体就越疲劳。当慢速眼电频段0.3~1.1Hz的重心频率小于0.71时,个体基本处于轻度疲劳状态。然后,均值计算装置303计算三个分段的重心频率的平均值作为当前预定时间段内慢速眼电信号的重心频率。
在计算得到预定时间段的静态疲劳特征之后,疲劳特征提取装置204可以进一步计算用于反映静态疲劳特征的变化趋势的动态疲劳特征。例如,可以计算用于表征静态疲劳特征(例如慢速眼电信号的相对功率和重心频率)的变化趋势的一阶差分动态特征,例如可以根据等式0.75*a(n+2)+0.375*a(n+1)-0.75*a(n-2)-0.375*a(n-1)来计算一阶差分动态特征,其中a(n)代表第n个时间段的静态疲劳特征。
特征平滑装置205用于对于在疲劳特征提取装置204中提取的静态疲劳特征进行特征平滑。特征平滑包括以下步骤:利用当前预定时间段的静态疲劳特征以及当前预定时间段之前的多个时间段的静态疲劳特征,通过移动加权平均法计算当前预定时间段的经平滑的静态疲劳特征。由于个体疲劳程度缓慢变化,而不同时刻的静态疲劳特征波动很大,因此特征平滑装置205可以利用移动加权平均法来减缓不同时间段的特征波动。移动加权平均法的窗口长度可以为24个点(对应于24个时间段),即对当前点(对应于当前的预定时间段)与之前的23个点(对应于当前预定时间段之前的23个时间段)的特征加权求和作为当前点的静态疲劳特征。24个点的权重系数依次增加,其中当前点权重最大。在疲劳特征提取装置204中计算动态疲劳特征也可以在特征平滑装置205中对静态疲劳特征进行特征平滑之后进行,也即,可以根据特征平滑之后的静态疲劳特征来计算动态疲劳特征。
特征选择装置206用于对由静态疲劳特征和动态疲劳特征形成的特征向量进行特征选择。对于在疲劳特征提取装置204提取的静态疲劳特征和动态疲劳特征组成的4维特征向量,仍然存在着与疲劳无关的信息。因此,特征选择装置206可以利用线性判别分析法(LDA)对特征向量进行特征选择,以选择出与疲劳相关的特征分量,去除与疲劳无关的分量,最终得到2维特征向量,供后续模型训练和疲劳等级分类使用。
疲劳等级确定装置207用于根据疲劳特征确定疲劳等级,疲劳特征例如包括在上文中所描述的相对功率和重心频率。在本公开的一个实施方式中,疲劳等级确定装置207也可以根据相对功率与重心频率的比值来确定疲劳等级。在本公开的一个实施方式中,疲劳等级确定装置207可以采用隐马尔可夫(HMM)模型来确定疲劳等级。警觉度可以分三个层次:清醒,过渡和疲劳。一个HMM模型可以模拟一个警觉度水平,可以从若干受试者的疲劳特征数据中挑选出适当的三个警觉度水平的训练数据,训练出三个HMM模型,用于警觉度分类,即确定疲劳等级。然而,警觉度也可以划分为其它数目的疲劳等级,例如1~9、1~100、甚至更多个疲劳等级。疲劳等级的数值越大表示越疲劳,例如当采用1~9的疲劳等级时,可以根据具体需求设定疲劳等级低于某个具体数值为非疲劳状态,例如可以设定疲劳等级低于6表示个体处于非疲劳状态,疲劳等级为6表示个体处于轻微疲劳状态,疲劳等级超过6表示个体进入疲劳状态。当疲劳等级确定装置207确定受个体进入疲劳状态时,可以根据不同的疲劳程度和具体需求采用不同层次的报警方式进行报警。
在上文中参照图2中所示的特定实施方式描述了根据本公开的疲劳检测***的原理。然而本领域技术人员能够理解的是,根据本公开的疲劳检测***并不限于上述具体结构,而是以权利要求所限定的范围为准。根据不同的需求,本领域技术人员容易想到省略或添加一个或多个模块。
由于脑电信号中的低频脑电信号(尤其是其中的慢速眼电信号)与疲劳密切相关,所以采用与低频脑电信号相关的疲劳特征进行疲劳检测能够进一步提高疲劳检测的准确性。
此外,虽然在上文中根据单通道脑电信号对本公开的原理进行了说明,但是本公开的疲劳检测***和方法也适用于利用多通道脑电信号来进行疲劳检测,在本文中并不进行限定。
显然,本领域的技术人员应该明白,上述的本公开的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本公开不限制于任何特定的硬件和软件结合。
已经出于示出和描述的目的给出了本公开的说明书,但是其并不意在是穷举的或者限制于所公开形式的发明。本领域技术人员可以想到很多修改和变体。因此,实施方式是为了更好地说明本公开的原理、实际应用以及使本领域技术人员中的其他人员能够理解以下内容而选择和描述的,即,在不脱离本公开精神的前提下,做出的所有修改和替换都将落入所附权利要求定义的本公开保护范围内。
Claims (22)
1.一种基于脑电信号的疲劳检测方法,包括:
获取预定时间段内的脑电信号;
提取与所述脑电信号中的低频脑电信号相关的疲劳特征;以及
根据所述疲劳特征确定疲劳等级。
2.根据权利要求1所述的疲劳检测方法,还包括对获取的所述脑电信号进行预处理,其中所述预处理包括:
去除所述脑电信号中的幅度异常的信号,以产生剩余信号;
对所述剩余信号进行标准化处理,以产生标准化信号;以及
对所述标准化信号进行平滑滤波以滤除所述标准化信号中的基线漂移信号。
3.根据权利要求2所述的疲劳检测方法,还包括对经预处理的所述脑电信号进行噪音检测和去除,其中所述噪音检测和去除包括:
将所述脑电信号划分为多个分段;
分别对各个分段进行噪音检测,以确定是否存在明显漂移信号;以及
采用移动中值滤波对存在明显漂移信号的分段进行去漂移。
4.根据权利要求1所述的疲劳检测方法,其中提取所述疲劳特征进一步包括:
将所述脑电信号划分为多个分段;
分别提取与各个分段相关的所述疲劳特征;以及
计算与各个分段相关的所述疲劳特征的平均值作为与所述低频脑电信号相关的所述疲劳特征。
5.根据权利要求1所述的疲劳检测方法,其中所述疲劳特征包括静态疲劳特征。
6.根据权利要求5所述的疲劳检测方法,还包括对提取的静态疲劳特征进行特征平滑,其中特征平滑包括:
利用当前预定时间段的静态疲劳特征以及所述当前预定时间段之前的多个时间段的静态疲劳特征,通过移动加权平均法计算所述当前预定时间段的经平滑的静态疲劳特征。
7.根据权利要求5所述的疲劳检测方法,所述疲劳特征还包括用于表征静态疲劳特征的变化趋势的一阶差分动态特征。
8.根据权利要求7所述的疲劳检测方法,还包括:
采用线性判别分析法对由静态疲劳特征和一阶差分动态特征形成的特征向量进行特征选择,以选择出与疲劳相关的特征分量并且去除与疲劳无关的特征分量。
9.根据权利要求5至8中任一项所述的疲劳检测方法,
其中所述静态疲劳特征包括慢速眼电信号的相对功率和/或重心频率;
其中所述相对功率是所述慢速眼电信号的绝对功率与所述低频脑电信号的绝对功率的比值;
其中所述慢速眼电信号的频率范围为a Hz至b Hz,其中0.1<a<0.5且0.8<b<1.5;并且
其中所述低频脑电信号的频率范围为a Hz至c Hz,其中2<c<6。
10.根据权利要求9所述的疲劳检测方法,根据所述疲劳特征确定疲劳等级进一步包括:
根据所述相对功率与所述重心频率的比值确定所述疲劳等级。
11.根据权利要求1所述的疲劳检测方法,其中根据所述疲劳特征确定疲劳等级进一步包括:
根据所述疲劳特征,采用隐马尔可夫模型来确定所述疲劳等级。
12.一种基于脑电信号的疲劳检测***,包括:
脑电信号获取装置,用于获取预定时间段内的脑电信号;
疲劳特征提取装置,用于提取与所述脑电信号中的低频脑电信号相关的疲劳特征;以及
疲劳等级确定装置,用于根据所述疲劳特征确定疲劳等级。
13.根据权利要求12所述的疲劳检测***,还包括预处理装置,所述预处理装置用于对获取的所述脑电信号进行预处理,其中所述预处理包括:
去除所述脑电信号中的幅度异常的信号,以产生剩余信号;
对所述剩余信号进行标准化处理,以产生标准化信号;以及
对所述标准化信号进行平滑滤波以滤除所述标准化信号中的基线漂移信号。
14.根据权利要求13所述的疲劳检测***,还包括噪音检测和去除装置,所述噪音检测和去除装置用于对经预处理的所述脑电信号进行噪音检测和去除,其中所述噪音检测和去除包括:
将所述脑电信号划分为多个分段;
分别对各个分段进行噪音检测,以确定是否存在明显漂移信号;以及
采用移动中值滤波对存在明显漂移信号的分段进行去漂移。
15.根据权利要求12所述的疲劳检测***,其中所述疲劳特征提取装置进一步包括:
分段装置,用于将所述脑电信号划分为多个分段;
分段特征提取装置,用于分别提取与各个分段相关的所述疲劳特征;以及
均值计算装置,用于计算与各个分段相关的所述疲劳特征的平均值作为与所述低频脑电信号相关的所述疲劳特征。
16.根据权利要求12所述的疲劳检测***,其中所述疲劳特征包括静态疲劳特征。
17.根据权利要求16所述的疲劳检测***,还包括特征平滑装置,所述特征平滑装置用于对提取的静态疲劳特征进行特征平滑,其中特征平滑包括:
利用当前预定时间段的静态疲劳特征以及所述当前预定时间段之前的多个时间段的静态疲劳特征,通过移动加权平均法计算所述当前预定时间段的经平滑的静态疲劳特征。
18.根据权利要求16所述的疲劳检测***,所述疲劳特征还包括用于表征静态疲劳特征的变化趋势的一阶差分动态特征。
19.根据权利要求18所述的疲劳检测***,还包括:
特征选择装置,用于采用线性判别分析法对由静态疲劳特征和一阶差分动态特征形成的特征向量进行特征选择,以选择出与疲劳相关的特征分量并且去除与疲劳无关的特征分量。
20.根据权利要求16至19中任一项所述的疲劳检测***,
其中所述静态疲劳特征包括慢速眼电信号的相对功率和/或重心频率;
其中所述相对功率是所述慢速眼电信号的绝对功率与所述低频脑电信号的绝对功率的比值;
其中所述慢速眼电信号的频率范围为a Hz至b Hz,其中0.1<a<0.5且0.8<b<1.5;并且
其中所述低频脑电信号的频率范围为a Hz至c Hz,其中2<c<6。
21.根据权利要求20所述的疲劳检测***,其中所述疲劳等级确定装置进一步用于根据所述相对功率与所述重心频率的比值确定所述疲劳等级。
22.根据权利要求12所述的疲劳检测***,其中所述疲劳等级确定装置根据所述疲劳特征,采用隐马尔可夫模型来确定所述疲劳等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510161555.9A CN104720799A (zh) | 2015-04-03 | 2015-04-03 | 基于低频脑电信号的疲劳检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510161555.9A CN104720799A (zh) | 2015-04-03 | 2015-04-03 | 基于低频脑电信号的疲劳检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104720799A true CN104720799A (zh) | 2015-06-24 |
Family
ID=53445638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510161555.9A Pending CN104720799A (zh) | 2015-04-03 | 2015-04-03 | 基于低频脑电信号的疲劳检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104720799A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105942974A (zh) * | 2016-04-14 | 2016-09-21 | 禅客科技(上海)有限公司 | 一种基于低频脑电的睡眠分析方法及*** |
CN111700610A (zh) * | 2020-06-04 | 2020-09-25 | 浙江普可医疗科技有限公司 | 一种脑电爆发抑制模式的分析方法、装置、***及其存储介质 |
CN112036352A (zh) * | 2020-09-08 | 2020-12-04 | 北京嘀嘀无限科技发展有限公司 | 一种疲劳检测模型的训练方法、疲劳驾驶检测方法及装置 |
CN112336355A (zh) * | 2020-11-06 | 2021-02-09 | 广东电网有限责任公司电力科学研究院 | 基于脑电信号作业人员的******、装置及设备 |
CN112494774A (zh) * | 2020-10-16 | 2021-03-16 | 杭州师范大学 | 一种基于延迟脑电反馈的持续注意调控*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1870939A (zh) * | 2003-10-23 | 2006-11-29 | 株式会社三角工具加工 | 疲劳度测定装置、疲劳检测装置及计算机程序 |
CN101690659A (zh) * | 2009-09-29 | 2010-04-07 | 华东理工大学 | 脑电波分析方法 |
CN101966080A (zh) * | 2010-10-26 | 2011-02-09 | 东北大学 | 便携式动态脑电监护仪及其控制方法 |
CN102274032A (zh) * | 2011-05-10 | 2011-12-14 | 北京师范大学 | 一种基于脑电信号的驾驶员疲劳检测*** |
JP2012000280A (ja) * | 2010-06-17 | 2012-01-05 | Panasonic Corp | 脳波推定装置、脳波推定方法及びプログラム |
CN104146722A (zh) * | 2014-08-18 | 2014-11-19 | 吉林大学 | 一种基于头部信号的驾驶疲劳检测分级预警装置及方法 |
-
2015
- 2015-04-03 CN CN201510161555.9A patent/CN104720799A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1870939A (zh) * | 2003-10-23 | 2006-11-29 | 株式会社三角工具加工 | 疲劳度测定装置、疲劳检测装置及计算机程序 |
CN101690659A (zh) * | 2009-09-29 | 2010-04-07 | 华东理工大学 | 脑电波分析方法 |
JP2012000280A (ja) * | 2010-06-17 | 2012-01-05 | Panasonic Corp | 脳波推定装置、脳波推定方法及びプログラム |
CN101966080A (zh) * | 2010-10-26 | 2011-02-09 | 东北大学 | 便携式动态脑电监护仪及其控制方法 |
CN102274032A (zh) * | 2011-05-10 | 2011-12-14 | 北京师范大学 | 一种基于脑电信号的驾驶员疲劳检测*** |
CN104146722A (zh) * | 2014-08-18 | 2014-11-19 | 吉林大学 | 一种基于头部信号的驾驶疲劳检测分级预警装置及方法 |
Non-Patent Citations (1)
Title |
---|
孙珲: "《基于脑电信号的在线疲劳监测算法研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105942974A (zh) * | 2016-04-14 | 2016-09-21 | 禅客科技(上海)有限公司 | 一种基于低频脑电的睡眠分析方法及*** |
CN111700610A (zh) * | 2020-06-04 | 2020-09-25 | 浙江普可医疗科技有限公司 | 一种脑电爆发抑制模式的分析方法、装置、***及其存储介质 |
CN112036352A (zh) * | 2020-09-08 | 2020-12-04 | 北京嘀嘀无限科技发展有限公司 | 一种疲劳检测模型的训练方法、疲劳驾驶检测方法及装置 |
CN112036352B (zh) * | 2020-09-08 | 2021-09-14 | 北京嘀嘀无限科技发展有限公司 | 一种疲劳检测模型的训练方法、疲劳驾驶检测方法及装置 |
CN112494774A (zh) * | 2020-10-16 | 2021-03-16 | 杭州师范大学 | 一种基于延迟脑电反馈的持续注意调控*** |
CN112336355A (zh) * | 2020-11-06 | 2021-02-09 | 广东电网有限责任公司电力科学研究院 | 基于脑电信号作业人员的******、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104720798A (zh) | 基于脑电频谱特征的疲劳检测方法及*** | |
Ahammad et al. | Detection of epileptic seizure event and onset using EEG | |
CN104720799A (zh) | 基于低频脑电信号的疲劳检测方法及*** | |
Uthayakumar et al. | Epileptic seizure detection in EEG signals using multifractal analysis and wavelet transform | |
CN107095669B (zh) | 一种癫痫患者脑电信号的处理方法及*** | |
CN106691474A (zh) | 融合脑电信号与生理信号的疲劳检测*** | |
Slimen et al. | Epileptic seizure prediction based on EEG spikes detection of ictal-preictal states | |
CN104215257A (zh) | 一种高精度、高去伪、并集成功耗管理的人体计步方法 | |
CN107095684B (zh) | 一种基于脑电的儿童自闭症风险评估*** | |
CN105942974A (zh) | 一种基于低频脑电的睡眠分析方法及*** | |
JPWO2013114596A1 (ja) | 情報処理装置、代表波形生成方法および代表波形生成プログラム | |
CN108836322B (zh) | 一种裸眼3d显示视觉诱导晕动症检测方法 | |
CN106491125B (zh) | 一种脑电状态识别方法及装置 | |
Mulansky et al. | A guide to time-resolved and parameter-free measures of spike train synchrony | |
Selvathi et al. | Realization of epileptic seizure detection in EEG signal using wavelet transform and SVM classifier | |
CN103720471B (zh) | 一种基于因子分析的眼电伪迹去除方法 | |
CN111603158A (zh) | 基于电生理信号人工智能分析的疲劳驾驶告警方法及*** | |
Ahlrichs et al. | Is" frequency distribution" enough to detect tremor in PD patients using a wrist worn accelerometer? | |
CN104706366A (zh) | 一种分心检测方法、装置及*** | |
CN106491120B (zh) | 一种基于皮电的睡眠质量评估方法及*** | |
CN103007431B (zh) | 一种可电击信号的检测方法和装置 | |
Sapoznikov et al. | Detection of regularities in heart rate variations by linear and non-linear analysis: power spectrum versus approximate entropy | |
Patrick et al. | An algorithm for automatic detection of drowsiness for use in wearable EEG systems | |
Martens et al. | Separating burst from background spikes in multichannel neuronal recordings using return map analysis | |
CN113080971A (zh) | 一种通过检测眨眼信号判断疲劳状态的方法和*** |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150624 |