CN105054951A - 一种基于眨眼频率识别的疲劳驾驶脑电监测方法 - Google Patents
一种基于眨眼频率识别的疲劳驾驶脑电监测方法 Download PDFInfo
- Publication number
- CN105054951A CN105054951A CN201510492555.7A CN201510492555A CN105054951A CN 105054951 A CN105054951 A CN 105054951A CN 201510492555 A CN201510492555 A CN 201510492555A CN 105054951 A CN105054951 A CN 105054951A
- Authority
- CN
- China
- Prior art keywords
- ripple
- signal
- eeg
- analyzing
- value
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 164
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 154
- 210000004556 brain Anatomy 0.000 claims abstract description 60
- 238000012806 monitoring device Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims description 53
- 230000008569 process Effects 0.000 claims description 43
- 239000000284 extract Substances 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 22
- 230000005611 electricity Effects 0.000 claims description 18
- 230000001360 synchronised effect Effects 0.000 claims description 18
- 230000002618 waking effect Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004397 blinking Effects 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 claims description 3
- 210000001652 frontal lobe Anatomy 0.000 claims description 3
- 230000002085 persistent effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 230000009467 reduction Effects 0.000 description 21
- 210000001508 eye Anatomy 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 206010013486 Distractibility Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000002360 prefrontal effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于眨眼频率识别的疲劳驾驶脑电监测方法,包括步骤:一、脑电波信号采集:对驾驶员脑电波信号进行采集及预处理,并将脑电波信号同步传送至脑电信号监测装置;二、脑电波信号分析处理:按照预先设定的分析处理频率且按照时间先后顺序,对各分析处理周期内接收到的脑电波信号进行分析处理,过程如下:前n个分析处理周期内所接收脑电波信号分析处理、眨眼判断阈值确定、前n个分析处理周期内驾驶员眨眼次数统计、第n+1个分析处理周期内所接收脑电波信号分析处理和下一个分析处理周期内所接收脑电波信号分析处理。本发明方法步骤简单、设计合理且实现方便、使用效果好,能简便、快速对驾驶员的疲劳驾驶状态进行准确监测。
Description
技术领域
本发明属于脑电波监测技术领域,尤其是涉及一种基于眨眼频率识别的疲劳驾驶脑电监测方法。
背景技术
近年来,随着汽车保有量的增加和公路建设规模的扩大,交通事故等问题日益突出。中国是世界上人口最多的国家,道路交通事故死亡人数也是全世界最高的国家,连续数年一直居世界第一位。司机冒险疲劳驾驶,无疑会对自己和乘客的安全带来隐患。驾驶疲劳的研究分为主观和客观两种方法,主观的研究方法有主观调查表、驾驶员自我记录、睡眠习惯调查表、斯坦福睡眠尺度表四种。客观的研究方法有脑电图、眼电图、肌电图、呼吸气流、呼吸效果、动脉血液氧饱和时的温度和心电图等测量方法。尽管上述方法的驾驶疲劳判定结果是比较准确的,但由于上述方法一般是在驾驶前或驾驶后进行测量的,因而是超前或滞后的,而非实时的,况且在驾驶室有限的空间内安置复杂的检测仪器也是十分困难的;而且,驾驶员脱离驾驶室或未进入驾驶室的精神状态是不同的,再精确的仪器的测量结果也会大受影响。
眨眼是人的正常生理特征,人除去睡眠时间眨眼无时不在。眨眼却不是一成不变,不同的情况会有不同的表现,人在疲劳时眨眼会有很明显的变化,人会感到眼睛很困,不停地想闭眼睛。每个人正常的眨眼频率也不一样,但是疲劳时的眨眼频率有显著的提升。眼睛不仅人体得到外界视觉信息的唯一输入通道,还同时反映了人的生理与精神状况;当人很疲倦的时候,眨眼的频率和眨眼的时间都会增加,因此,可以利用侦测人眼睛的闭合情况去判断实验人员是否疲劳。在机动车辆的行驶过程中,驾驶员是否处于疲劳驾驶的状态可以从其眼睛的闭合状态观察出来。当驾驶员注意力集中的时候,眨眼的频率以及眼睛张开的大小都有一个统计值;当驾驶员疲倦,注意力分散的时候,眨眼的频率以及眼睛张开的大小都会有所减小。所以,利用驾驶员眨眼的信息来判断驾驶员是否处于疲劳状况是一种可行的方法。以往眨眼检测都是要看摄像头去捕捉画面,再进行图像分析去识别眨眼,这样识别有一定的延迟性,因为捕捉图画再到处理有一定的时间。
脑电波控制技术在生物医学,计算机等领域成为近年来的热点研究之一。传统的皮下脑波采集方法,既复杂,又不方便,因此很难推广到其它领域。目前,在国内脑机接口技术正处于发展起步阶段,相关的研究还比较少。TGAM(ThinkGearAM)模块是美国NeuroSky(神念科技)公司为大众市场应用所设计的脑波传感器ASIC模块,也称TGAM脑电模块(简称TGAM模块)。此TGAM(ThinkGearAM)模块可以处理并输出脑波频率谱、脑电信号质量、原始脑电波和三个Neurosky的eSense参数:专注度,冥想度(也称放松度)和眨眼侦测。由于NreuoSky公司的TGAM模块可检测到眨眼,它本身提供眨眼判别函数,但是现在给出的接口只有PC端和ios端。因此,需开发一种方法步骤简单、设计合理且实现方便、使用效果好的基于眨眼频率识别的疲劳驾驶脑电监测方法,能简便、快速对驾驶员的疲劳驾驶状态进行准确监测。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其方法步骤简单、设计合理且实现方便、使用效果好,能简便、快速对驾驶员的疲劳驾驶状态进行准确监测。
为解决上述技术问题,本发明采用的技术方案是:一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征在于该方法包括以下步骤:
步骤一、脑电波信号采集:采用脑电信号获取装置且按照预先设定的采样频率对驾驶员的脑电波信号进行采集及预处理,并将预处理后的脑电波信号同步传送至脑电信号监测装置;
本步骤中,所述脑电波信号中包含原始脑电波信号,且所述原始脑电波信号的采样频率为512Hz;
所述脑电信号获取装置与脑电信号监测装置之间以无线通信方式进行通信;所述脑电信号获取装置为TGAM模块,所述TGAM模块包括对驾驶员的脑电波信号进行提取的脑电信号提取装置和对脑电信号提取装置所提取信号进行采样及预处理的脑电信号预处理装置,所述脑电信号预处理装置与脑电信号提取装置相接,所述脑电信号提取装置包括对驾驶员额叶区的电位进行实时采样的第一脑电电极以及对驾驶员的耳部电位进行实时采样的第二脑电电极和第三脑电电极,所述第一脑电电极、第二脑电电极和第三脑电电极均与脑电信号预处理装置相接;所述脑电信号监测装置包括主控芯片以及分别与主控芯片相接的第二无线通信模块和报警提示单元,所述报警提示单元由主控芯片进行控制且其与主控芯片相接;所述脑电信号预处理装置与第一无线通信模块相接,所述脑电信号预处理装置通过第一无线通信模块和第二无线通信模块与主控芯片进行通信;
步骤二、脑电波信号分析处理:所述主控芯片按照预先设定的分析处理频率f,且按照时间先后顺序,对各分析处理周期内接收到的所述脑电波信号分别进行分析处理;其中,分析处理周期为6s,
对各分析处理周期内接收到的所述脑电波信号分别进行分析处理时,过程如下:
步骤201、第一个分析处理周期内所接收脑电波信号分析处理,包括以下步骤:
步骤2011、脑电波信号同步存储:对该分析处理周期内接收到的脑电信号获取装置采集并预处理后的脑电波信号进行同步存储,所存储的脑电波信号为当前待处理脑电波信号;
步骤2012、原始脑电波信号提取及信号值最大值记录:从步骤2011中所述当前待处理脑电波信号中提取出原始脑电波信号,并对所提取原始脑电波信号的信号值最大值进行记录;本步骤中,所提取的原始脑电波信号为该分析处理周期的原始脑电波信号,所记录的信号值最大值为该分析处理周期的脑电波信号值最大值;
步骤202、下一个分析处理周期内所接收脑电波信号分析处理:按照步骤2011至步骤2012中所述的方法,对下一个分析处理周期内所接收脑电波信号进行分析处理,并获得该分析处理周期的脑电波信号值最大值;
步骤203、n-2次重复步骤202,直至完成前n个分析处理周期内所接收脑电波信号的分析处理过程,获得前n个分析处理周期的脑电波信号值最大值;其中,n为正整数且n≥9;
步骤204、眨眼判断阈值确定:根据公式ZJZ=Z0+Zf(1-1),计算得出驾驶员的眨眼判断阈值ZJZ;公式(1-1)中,Z0为步骤2014中所获得前n个分析处理周期的脑电波信号值最大值的平均值,Zf为眨眼判断阈值ZJZ的基础值且Zf=140~160;
步骤205、前n个分析处理周期内驾驶员眨眼次数统计:对前n个分析处理周期内驾驶员的眨眼次数分别进行统计,且前n个分析处理周期内驾驶员眨眼次数的统计方法均相同;
对前n个分析处理周期中任一个分析处理周期内驾驶员的眨眼次数进行统计时,均根据该分析处理周期的原始脑电波信号的信号值变化情况,调用眨眼次数统计模块且结合步骤204中计算得出的眨眼判断阈值ZJZ,对该分析处理周期内驾驶员的眨眼次数进行统计;并且,对该分析处理周期内驾驶员的眨眼次数进行统计时,当所提取原始脑电波信号的信号值大于ZJZ且持续时间大于t0时,说明驾驶员眨眼一次;其中,t0=0.3s~0.4s;
步骤206、第n+1个分析处理周期内所接收脑电波信号分析处理:对第n+1个分析处理周期内所接收的脑电波信号分析处理,包括以下步骤:
步骤2061、脑电波信号同步存储:对该分析处理周期内接收到的脑电信号获取装置采集并预处理后的脑电波信号进行同步存储,所存储的脑电波信号为当前待处理脑电波信号;
步骤2062、原始脑电波信号提取:从步骤2061中所述当前待处理脑电波信号中提取出原始脑电波信号,所提取的原始脑电波信号为该分析处理周期的原始脑电波信号;
步骤2063、眨眼次数统计:按照步骤205中所述的眨眼次数统计方法,对该分析处理周期内驾驶员的眨眼次数进行统计;
步骤2064、眨眼频率确定:对此时驾驶员的眨眼频率P进行确定;
其中,眨眼频率P为驾驶员在一分钟内的眨眼次数且其为步骤2063中统计出的该分析处理周期内驾驶员的眨眼次数与该分析处理周期之前的9个分析处理周期内驾驶员的眨眼次数总和;
步骤2065、疲劳驾驶判断:调用阈值比较模块,对步骤2064中所述的眨眼频率P与P0进行差值比较:当眨眼频率P大于P0时,说明此时驾驶员处于疲劳驾驶状态,所述主控芯片控制报警提示单元进行报警提示;否则,说明此时驾驶员处于正常驾驶状态;
其中,P0为预先设定的眨眼疲劳判断阈值且P0=25~30;
步骤207、下一个分析处理周期内所接收脑电波信号分析处理:返回步骤2061,对下一个分析处理周期内所接收的脑电波信号进行分析处理。
上述一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征是:步骤203中所述的n=9~15;步骤204中所述的Zf=150。
上述一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征是:步骤2065中所述的P0=28。
上述一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征是:步骤2065中当眨眼频率P大于P0时,所述主控芯片控制报警提示单元进行报警提示之前,还需调用多阈值比较判断模块,对步骤2061中该分析处理周期内任一秒接收到的脑电波信号进行分析处理;并根据分析处理结果对此时驾驶员的疲劳驾驶状态进行验证,过程如下:
步骤B1、特征信号提取:所述主控芯片调用特征提取模块,从此时所处理脑电波信号中提取出7个特征信号;
步骤B2、特征量确定:所述主控芯片将步骤B1中7个所述特征信号的信号值作为此时所处理脑电波信号的7个特征量;7个所述特征信号分别为原始脑电波、lowα波、highα波、lowβ波、highβ波、θ波和δ波信号,7个所述特征量分别为R、AL、AH、BL、BH、T和D;
步骤一中所述脑电信号获取装置对驾驶员的脑电波信号进行采集及预处理时,所述原始脑电波的采样频率为512Hz,lowα波、highα波、lowβ波、highβ波、θ波和δ波的采样频率均为1Hz;7个所述特征信号中,所述原始脑电波信号的数量为512个,lowα波、highα波、lowβ波、highβ波、θ波和δ波信号的数量均为一个;
其中,R为从此时所处理脑电波信号中提取出的512个所述原始脑电波信号的信号值的平均值,AL为从此时所处理脑电波信号中提取出的lowα波信号的信号值,AH为从此时所处理脑电波信号中提取出的highα波信号的信号值,BL为从此时所处理脑电波信号中提取出的lowβ波信号的信号值,BH为从此时所处理脑电波信号中提取出的highβ波信号的信号值,T为从此时所处理脑电波信号中提取出的θ波信号的信号值,D为从此时所处理脑电波信号中提取出的δ波信号的信号值;
步骤B3、多阈值比较:所述主控芯片根据预先确定的7组疲劳驾驶判断阈值且调用阈值比较模块,对步骤B2中确定的7个所述特征量分别进行阈值比较,并采用计数器对阈值比较结果进行记录;
所述计数器的初始计数值为0;
7组所述疲劳驾驶判断阈值分别为一组原始脑电波判断阈值、一组lowα波判断阈值、一组highα波判断阈值、一组lowβ波判断阈值、一组highβ波判断阈值、一组θ波判断阈值和一组δ波判断阈值;其中,所述原始脑电波判断阈值包括原始脑电波疲劳阈值RST和原始脑电波清醒阈值RWT,所述lowα波判断阈值包括lowα波疲劳阈值ALST和lowα波清醒阈值ALWT,所述highα波判断阈值包括highα波疲劳阈值AHST和highα波清醒阈值AHWT,所述lowβ波判断阈值包括lowβ波疲劳阈值BLST和lowβ波清醒阈值BLWT,所述highβ波判断阈值包括highβ波疲劳阈值BHST和highβ波清醒阈值BHWT,所述θ波判断阈值包括θ波疲劳阈值TST和θ波清醒阈值TWT,所述δ波判断阈值包括δ波疲劳阈值DST和δ波清醒阈值DWT;
对步骤B2中确定的7个所述特征量分别进行阈值比较时,所述主控芯片调用阈值比较模块,对特征量R与一组原始脑电波判断阈值、特征量AL与一组lowα波判断阈值、特征量AH与一组highα波判断阈值、特征量BL与一组lowβ波判断阈值、特征量BH与一组highβ波判断阈值、特征量T与一组θ波判断阈值以及特征量D与一组δ波判断阈值分别进行阈值比较;
其中,对特征量R与一组原始脑电波判断阈值进行阈值比较时,先将特征量R与RST进行差值比较:当R<RST时,主控芯片将此时所述计时器的计数值加5;否则,所述计时器的计数值不变;之后,将特征量R与RWT进行差值比较:当R>RWT时,主控芯片将此时所述计时器的计数值减5;否则,所述计时器的计数值不变;
对特征量AL与一组lowα波判断阈值进行阈值比较时,先将特征量AL与ALST进行差值比较:当AL<ALST时,将此时所述计时器的计数值加1;否则,所述计时器的计数值不变;之后,将特征量AL与ALWT进行差值比较:当AL>ALWT时,将此时所述计时器的计数值减1;否则,所述计时器的计数值不变;
对特征量AH与一组highα波判断阈值进行阈值比较时,先将特征量AH与AHST进行差值比较:当AH<AHST时,将此时所述计时器的计数值加1;否则,所述计时器的计数值不变;之后,将特征量AH与AHWT进行差值比较:当AH>AHWT时,将此时所述计时器的计数值减1;否则,所述计时器的计数值不变;
对特征量BL与一组lowβ波判断阈值进行阈值比较时,先将特征量BL与BLST进行差值比较:当BL<BLST时,将此时所述计时器的计数值加2;否则,所述计时器的计数值不变;之后,将特征量BL与BLWT进行差值比较:当BL>BLWT时,将此时所述计时器的计数值减2;否则,所述计时器的计数值不变;
对特征量BH与一组highβ波判断阈值进行阈值比较时,先将特征量BH与BHST进行差值比较:当BH<BHST时,将此时所述计时器的计数值加2;否则,所述计时器的计数值不变;之后,将特征量BH与BHWT进行差值比较:当BH>BHWT时,将此时所述计时器的计数值减2;否则,所述计时器的计数值不变;
对特征量T与一组θ波判断阈值进行阈值比较时,先将特征量T与TST进行差值比较:当T<TST时,将此时所述计时器的计数值加1;否则,所述计时器的计数值不变;之后,将特征量T与TWT进行差值比较:当T>TWT时,将此时所述计时器的计数值减1;否则,所述计时器的计数值不变;
对特征量D与一组δ波判断阈值分别进行阈值比较时,先将特征量D与DST进行差值比较:当D<DST时,将此时所述计时器的计数值加6;否则,所述计时器的计数值不变;之后,将特征量D与DWT进行差值比较:当D>DWT时,将此时所述计时器的计数值减6;否则,所述计时器的计数值不变;
步骤B4、疲劳驾驶判断:所述主控芯片根据步骤B3中多阈值比较完成后所述计数器的计数值,对此时驾驶员的疲劳驾驶状态进行判断:当此时所述计数器的计数值>N时,说明经验证此时驾驶员处于疲劳驾驶状态,所述主控芯片控制报警提示单元进行报警提示;否则,说明经验证此时驾驶员处于疲劳驾驶状态;
其中,N为正整数且N=52~58。
上述一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征是:步骤二中进行脑电波信号分析处理之前,先采用主控芯片对步骤B3中7组所述疲劳驾驶判断阈值进行确定;
对步骤B3中7组所述疲劳驾驶判断阈值进行确定时,先采用脑电信号获取装置获取驾驶员P秒内的脑电波信号,再根据所获得的驾驶员P秒内的脑电波信号对7组所述疲劳驾驶判断阈值进行确定;其中,P为正整数且P=50~70;
根据所获得的驾驶员P秒内的脑电波信号对7组所述疲劳驾驶判断阈值进行确定时,包括以下步骤:
步骤B31、特征信号提取:先从所获得的驾驶员P秒内的脑电波信号中提取出512×P个原始脑电波信号、P个lowα波信号、P个highα波信号、P个lowβ波信号、P个highβ波信号、P个θ波信号和P个δ波信号,并对ALM、ALSD、AHM、AHSD、BLM、BLSD、BHM、BHSD、TM、TSD、DM和DSD分别进行计算;
其中RM和RSD分别为512×P个原始脑电波信号的信号值的平均值和标准差,ALM和ALSD分别为P个lowα波信号的信号值的平均值和标准差,AHM和AHSD分别为P个highα波信号的信号值的平均值和标准差,BLM和BLSD分别为P个lowβ波信号的信号值的平均值和标准差,BHM和BHSD分别为P个highβ波信号的信号值的平均值和标准差,TM和TSD分别为P个θ波信号的信号值的平均值和标准差,DM和DSD分别为P个δ波信号的信号值的平均值和标准差;
步骤B32、阈值计算:根据公式RST=rS1RM+rS2RSD(1)、RWT=rW1RM+rW2RSD(2)、ALST=aLS1ALM+aLS2ALSD(3)、ALWT=aLW1ALM+aLW2ALSD(4)、AHST=aHS1AHM+aHS2AHSD(5)、AHWT=aHW1AHM+aHW2AHSD(6)、BLST=bLS1BLM+bLS2BLSD(7)、BLWT=bLW1BLM+bLW2BLSD(8)、BHST=bHS1BHM+bHS2BHSD(9)、BHWT=bHW1BHM+bHW2BHSD(10)、TST=tS1TM+tS2TSD(11)、TWT=tW1TM+tW2TSD(12)、DST=dS1DM+dS2DSD(13)和DWT=dW1DM+dW2DSD(14),分别对RST、RWT、ALST、ALWT、AHST、AHWT、BLST、BLWT、BHST、BHWT、TST、TWT、DST和DWT进行计算;
公式(1)中,rS1和rS2为RST的两个加权系数,0<rS1≤6,-3≤rS2<0;
公式(2)中,rW1和rW2为RWT的两个加权系数,0<rW1≤6,-3≤rW2<0;
公式(3)中,aLS1和aLS2为ALST的两个加权系数,0<aLS1≤1,-1≤aLS2<0;
公式(4)中,aLW1和aLW2为ALWT的两个加权系数,0<aLW1≤1,-1≤aLW2<0;
公式(5)中,aHS1和aHS2为AHST的两个加权系数,0<aHS1≤1,-1≤aHS2<0;
公式(6)中,aHW1和aHW2为AHWT的两个加权系数,0<aHW1≤1,-1≤aHW2<0;
公式(7)中,bLS1和bLS2为BLST的两个加权系数,0<bLS1≤1,-1≤bLS2<0;
公式(8)中,bLW1和bLW2为BLWT的两个加权系数,0<bLW1≤1,-1≤bLW2<0;
公式(9)中,bHS1和bHS2为BHST的两个加权系数,0<bHS1≤1,-1≤bHS2<0;
公式(10)中,bHW1和bHW2为BHWT的两个加权系数,0<bHW1≤1,-1≤bHW2<0;
公式(11)中,tS1和tS2为TST的两个加权系数,0<tS1≤1,-1≤tS2<0;
公式(12)中,tW1和tW2为TWT的两个加权系数,0<tW1≤1,-1≤tW2<0;
公式(13)中,dS1和dS2为DST的两个加权系数,0<dS1≤1,-1≤dS2<0;
公式(14)中,dW1和dW2为DWT的两个加权系数,0<dW1≤1,-1≤dW2<0。
上述一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征是:步骤二中进行脑电波信号分析处理之前,先对步骤B3中7组所述疲劳驾驶判断阈值进行确定;
对步骤B3中7组所述疲劳驾驶判断阈值进行确定时,先采用脑电信号获取装置对驾驶员从非睡眠状态进入睡眠状态时和从非清醒状态进入清醒状态时的脑电波信号分别进行采集及预处理;其中,RST、ALST、AHST、BLST、BHST、TST和DST分别为驾驶员从非睡眠状态进入睡眠状态时脑电信号获取装置所输出脑电波信号中原始脑电波、lowα波、highα波、lowβ波、highβ波、θ波和δ波信号的信号值,RWT、ALWT、AHWT、BLWT、BHWT、TWT和DWT分别为驾驶员从非清醒状态进入清醒状态时脑电信号获取装置所输出脑电波信号中原始脑电波、lowα波、highα波、lowβ波、highβ波、θ波和δ波信号的信号值。
上述一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征是:步骤一中所述脑电信号监测装置还包括与主控芯片相接的第三无线通信模块;所述主控芯片通过第三无线通信模块与上位机进行通信;
步骤B4中当此时所述计数器的计数值>N时,所述主控芯片通过第三无线通信模块将驾驶员的疲劳驾驶状态同步传送至上位机。
上述一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征是:所述脑电信号预处理装置为美国NeuroSky公司研发的TGAM芯片;所述第一脑电电极的输出端接TGAM芯片的EEG引脚,第二脑电电极的输出端接TGAM芯片的REF引脚,第三脑电电极的输出端接TGAM芯片的EEG_GND引脚。
上述一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征是:步骤一中所述主控芯片为Arduino控制器;所述第一无线通信模块和第二无线通信模块均为蓝牙无线通信模块;所述第三无线通信模块为GPRS无线通信模块。
上述一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征是:步骤一中所述第一脑电电极放置在按照10─20***电极放置法确定的驾驶员的左额极上,所述第二脑电电极和第三脑电电极均放置在按照10─20***电极放置法确定的驾驶员的左颞中上。
本发明与现有技术相比具有以下优点:
1、方法步骤简单、设计合理且实现方便,投入成本较低。
2、疲劳驾驶脑电监测速度快,能同步分析处理得出驾驶员的脑电状态。
3、使用操作简便且实现方便,能对TGAM模块输出数据(具体是冥想度和专注度数据)进行直接、有效利用。
4、所采用的脑电信号获取装置与脑电信号监测装置的电路简单、设计合理、接线方便且使用操作简便,投入成本较低,并且实际安装布设方便。
5、以眨眼频率对驾驶疲劳状态进行判断,能实时、准确对驾驶员的驾驶疲劳状态进行监测,方法步骤简单。其中,眨眼的特征主要有两个,眨眼频率和眨眼时间,本发明中利用眨眼时间去判定是否眨眼,用眨眼频率去判定疲劳。
6、配合多阈值比较判断方法对驾驶疲劳状态进一步进行验证,具体是以眨眼频率作为驾驶疲劳状态判断的基本方法,以多阈值比较判断方法作为验证方法,能有效确保疲劳开始状态监测结果的准确性和有效性。其中,多阈值比较判断方法采用多阈值比较的方式,对驾驶员的疲劳程度进行实时判断。并且,各阈值均采用多个信号值的均值和标准差的加权进行确定,并且不同驾驶员的采用不同的阈值;由于每个人的脑电波信号都有一定的差异,通过采集使用者(即驾驶员)的脑电波信号并确定对应的阈值,能够减小脑电波信号的差异性,使得阈值具有自适应的特点,因而该方法的驾驶疲劳状态监测结果非常准确。同时,多阈值比较判断方法通过一个计数器来表征疲劳程度,直观、方便且准确;实际使用时,计数器的计数值越大,说明驾驶员的疲劳程度越大;反之,计数器的计数值越小,说明驾驶员的疲劳程度越小。
7、使用效果好且实用价值高,经济效益及社会效益显著,能简便对驾驶员的疲劳驾驶状态进行实时监测,并能根据监测结果控制报警提示单元进行报警提示,让驾驶员实时处于清晰状态,减少车祸的发生,因而具有实时性,监测效果好。并且,本发明采用能准确表征疲劳驾驶的脑电波信号分析处理方法,并且建立了能准确描述疲劳驾驶的判断模型,为驾驶员确定了客观的疲劳驾驶检测依据,为进一步研究开发车载、实时的疲劳驾驶报警***奠定了基础,也为交通管理部门科学、合理地干预疲劳驾驶,最大限度降低人为交通事故提供了可靠依据。
综上所述,本发明方法步骤简单、设计合理且实现方便、使用效果好,能简便、快速对驾驶员的疲劳驾驶状态进行准确监测。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
图2为本发明脑电信号获取装置与脑电信号监测装置的电路原理框图。
图3为本发明脑电信号获取装置与第一无线通信模块的电路原理图。
图4为本发明脑电信号监测装置的电路原理图。
附图标记说明:
1—脑电信号获取装置;1-1—脑电信号提取装置;
1-11—第一脑电电极;1-12—第二脑电电极;1-13—第三脑电电极;
1-2—脑电信号预处理装置;2—脑电信号监测装置;
2-1—主控芯片;2-2—第二无线通信模块;
2-3—第三无线通信模块;2-4—供电单元;
2-5—报警提示单元;2-6—参数输入单元;2-7—显示器;
3—第一无线通信模块;4—上位机。
具体实施方式
如图1所示的一种基于眨眼频率识别的疲劳驾驶脑电监测方法,包括以下步骤:
步骤一、脑电波信号采集:采用脑电信号获取装置1且按照预先设定的采样频率对驾驶员的脑电波信号进行采集及预处理,并将预处理后的脑电波信号同步传送至脑电信号监测装置2;
本步骤中,所述脑电波信号中包含原始脑电波信号,且所述原始脑电波信号的采样频率为512Hz;
所述脑电信号获取装置1与脑电信号监测装置2之间以无线通信方式进行通信;所述脑电信号获取装置1为TGAM模块,所述TGAM模块包括对驾驶员的脑电波信号进行提取的脑电信号提取装置1-1和对脑电信号提取装置1-1所提取信号进行采样及预处理的脑电信号预处理装置1-2,所述脑电信号预处理装置1-2与脑电信号提取装置1-1相接,所述脑电信号提取装置1-1包括对驾驶员额叶区的电位进行实时采样的第一脑电电极1-11以及对驾驶员的耳部电位进行实时采样的第二脑电电极1-12和第三脑电电极1-13,所述第一脑电电极1-11、第二脑电电极1-12和第三脑电电极1-13均与脑电信号预处理装置1-2相接;所述脑电信号监测装置2包括主控芯片2-1以及分别与主控芯片2-1相接的第二无线通信模块2-2和报警提示单元2-5,所述报警提示单元2-5由主控芯片2-1进行控制且其与主控芯片2-1相接;所述脑电信号预处理装置1-2与第一无线通信模块3相接,所述脑电信号预处理装置1-2通过第一无线通信模块3和第二无线通信模块2-2与主控芯片2-1进行通信;
步骤二、脑电波信号分析处理:所述主控芯片2-1按照预先设定的分析处理频率f,且按照时间先后顺序,对各分析处理周期内接收到的所述脑电波信号分别进行分析处理;其中,分析处理周期为6s,
对各分析处理周期内接收到的所述脑电波信号分别进行分析处理时,过程如下:
步骤201、第一个分析处理周期内所接收脑电波信号分析处理,包括以下步骤:
步骤2011、脑电波信号同步存储:对该分析处理周期内接收到的脑电信号获取装置1采集并预处理后的脑电波信号进行同步存储,所存储的脑电波信号为当前待处理脑电波信号;
步骤2012、原始脑电波信号提取及信号值最大值记录:从步骤2011中所述当前待处理脑电波信号中提取出原始脑电波信号,并对所提取原始脑电波信号的信号值最大值进行记录;本步骤中,所提取的原始脑电波信号为该分析处理周期的原始脑电波信号,所记录的信号值最大值为该分析处理周期的脑电波信号值最大值;
步骤202、下一个分析处理周期内所接收脑电波信号分析处理:按照步骤2011至步骤2012中所述的方法,对下一个分析处理周期内所接收脑电波信号进行分析处理,并获得该分析处理周期的脑电波信号值最大值;
步骤203、n-2次重复步骤202,直至完成前n个分析处理周期内所接收脑电波信号的分析处理过程,获得前n个分析处理周期的脑电波信号值最大值;其中,n为正整数且n≥9;此时,完成前n个分析处理周期内所接收脑电波信号分析处理过程;
步骤204、眨眼判断阈值确定:根据公式ZJZ=Z0+Zf(1-1),计算得出驾驶员的眨眼判断阈值ZJZ;公式(1-1)中,Z0为步骤2014中所获得前n个分析处理周期的脑电波信号值最大值的平均值,Zf为眨眼判断阈值ZJZ的基础值且Zf=140~160;
步骤205、前n个分析处理周期内驾驶员眨眼次数统计:对前n个分析处理周期内驾驶员的眨眼次数分别进行统计,且前n个分析处理周期内驾驶员眨眼次数的统计方法均相同;
对前n个分析处理周期中任一个分析处理周期内驾驶员的眨眼次数进行统计时,均根据该分析处理周期的原始脑电波信号的信号值变化情况,调用眨眼次数统计模块且结合步骤204中计算得出的眨眼判断阈值ZJZ,对该分析处理周期内驾驶员的眨眼次数进行统计;并且,对该分析处理周期内驾驶员的眨眼次数进行统计时,当所提取原始脑电波信号的信号值大于ZJZ且持续时间大于t0时,说明驾驶员眨眼一次;其中,t0=0.3s~0.4s;
因而,眨眼判断阈值ZJZ确定之后,读取原始脑电波信号,信号值大于眨眼判断阈值ZJZ开始计时到信号值小于眨眼阈值时结束计时,所计时间大于t0时,说明驾驶员眨眼一次。
步骤206、第n+1个分析处理周期内所接收脑电波信号分析处理:对第n+1个分析处理周期内所接收的脑电波信号分析处理,包括以下步骤:
步骤2061、脑电波信号同步存储:对该分析处理周期内接收到的脑电信号获取装置1采集并预处理后的脑电波信号进行同步存储,所存储的脑电波信号为当前待处理脑电波信号;
步骤2062、原始脑电波信号提取:从步骤2061中所述当前待处理脑电波信号中提取出原始脑电波信号,所提取的原始脑电波信号为该分析处理周期的原始脑电波信号;
步骤2063、眨眼次数统计:按照步骤205中所述的眨眼次数统计方法,对该分析处理周期内驾驶员的眨眼次数进行统计;
步骤2064、眨眼频率确定:对此时驾驶员的眨眼频率P进行确定;
其中,眨眼频率P为驾驶员在一分钟内的眨眼次数且其为步骤2063中统计出的该分析处理周期内驾驶员的眨眼次数与该分析处理周期之前的9个分析处理周期内驾驶员的眨眼次数总和;
因而,眨眼频率P为连续10个分析处理周期内驾驶员的眨眼次数总和;
步骤2065、疲劳驾驶判断:调用阈值比较模块,对步骤2064中所述的眨眼频率P与P0进行差值比较:当眨眼频率P大于P0时,说明此时驾驶员处于疲劳驾驶状态,所述主控芯片2-1控制报警提示单元2-5进行报警提示;否则,说明此时驾驶员处于正常驾驶状态;
其中,P0为预先设定的眨眼疲劳判断阈值且P0=25~30;
步骤207、下一个分析处理周期内所接收脑电波信号分析处理:返回步骤2061,对下一个分析处理周期内所接收的脑电波信号进行分析处理。
本实施例中,步骤203中所述的n=9~15;步骤204中所述的Zf=150。
本实施例中,步骤2065中所述的P0=28。
实际使用时,可根据具体需要,对n、Zf和P0的取值大小进行相应调整。
本实施例中,步骤2065中当眨眼频率P大于P0时,所述主控芯片2-1控制报警提示单元2-5进行报警提示之前,还需调用多阈值比较判断模块,对步骤2061中该分析处理周期内任一秒接收到的脑电波信号进行分析处理;并根据分析处理结果对此时驾驶员的疲劳驾驶状态进行验证,过程如下:
步骤B1、特征信号提取:所述主控芯片2-1调用特征提取模块,从此时所处理脑电波信号中提取出7个特征信号;
步骤B2、特征量确定:所述主控芯片2-1将步骤B1中7个所述特征信号的信号值作为此时所处理脑电波信号的7个特征量;7个所述特征信号分别为原始脑电波、lowα波、highα波、lowβ波、highβ波、θ波和δ波信号,7个所述特征量分别为R、AL、AH、BL、BH、T和D;
步骤一中所述脑电信号获取装置1对驾驶员的脑电波信号进行采集及预处理时,所述原始脑电波的采样频率为512Hz,lowα波、highα波、lowβ波、highβ波、θ波和δ波的采样频率均为1Hz;7个所述特征信号中,所述原始脑电波信号的数量为512个,lowα波、highα波、lowβ波、highβ波、θ波和δ波信号的数量均为一个;
其中,R为从此时所处理脑电波信号中提取出的512个所述原始脑电波信号的信号值的平均值,AL为从此时所处理脑电波信号中提取出的lowα波信号的信号值,AH为从此时所处理脑电波信号中提取出的highα波信号的信号值,BL为从此时所处理脑电波信号中提取出的lowβ波信号的信号值,BH为从此时所处理脑电波信号中提取出的highβ波信号的信号值,T为从此时所处理脑电波信号中提取出的θ波信号的信号值,D为从此时所处理脑电波信号中提取出的δ波信号的信号值;
步骤B3、多阈值比较:所述主控芯片2-1根据预先确定的7组疲劳驾驶判断阈值且调用阈值比较模块,对步骤B2中确定的7个所述特征量分别进行阈值比较,并采用计数器对阈值比较结果进行记录;
所述计数器的初始计数值为0;
7组所述疲劳驾驶判断阈值分别为一组原始脑电波判断阈值、一组lowα波判断阈值、一组highα波判断阈值、一组lowβ波判断阈值、一组highβ波判断阈值、一组θ波判断阈值和一组δ波判断阈值;其中,所述原始脑电波判断阈值包括原始脑电波疲劳阈值RST和原始脑电波清醒阈值RWT,所述lowα波判断阈值包括lowα波疲劳阈值ALST和lowα波清醒阈值ALWT,所述highα波判断阈值包括highα波疲劳阈值AHST和highα波清醒阈值AHWT,所述lowβ波判断阈值包括lowβ波疲劳阈值BLST和lowβ波清醒阈值BLWT,所述highβ波判断阈值包括highβ波疲劳阈值BHST和highβ波清醒阈值BHWT,所述θ波判断阈值包括θ波疲劳阈值TST和θ波清醒阈值TWT,所述δ波判断阈值包括δ波疲劳阈值DST和δ波清醒阈值DWT;
对步骤B2中确定的7个所述特征量分别进行阈值比较时,所述主控芯片2-1调用阈值比较模块,对特征量R与一组原始脑电波判断阈值、特征量AL与一组lowα波判断阈值、特征量AH与一组highα波判断阈值、特征量BL与一组lowβ波判断阈值、特征量BH与一组highβ波判断阈值、特征量T与一组θ波判断阈值以及特征量D与一组δ波判断阈值分别进行阈值比较;
其中,对特征量R与一组原始脑电波判断阈值进行阈值比较时,先将特征量R与RST进行差值比较:当R<RST时,主控芯片2-1将此时所述计时器的计数值加5;否则,所述计时器的计数值不变;之后,将特征量R与RWT进行差值比较:当R>RWT时,主控芯片2-1将此时所述计时器的计数值减5;否则,所述计时器的计数值不变;
对特征量AL与一组lowα波判断阈值进行阈值比较时,先将特征量AL与ALST进行差值比较:当AL<ALST时,将此时所述计时器的计数值加1;否则,所述计时器的计数值不变;之后,将特征量AL与ALWT进行差值比较:当AL>ALWT时,将此时所述计时器的计数值减1;否则,所述计时器的计数值不变;
对特征量AH与一组highα波判断阈值进行阈值比较时,先将特征量AH与AHST进行差值比较:当AH<AHST时,将此时所述计时器的计数值加1;否则,所述计时器的计数值不变;之后,将特征量AH与AHWT进行差值比较:当AH>AHWT时,将此时所述计时器的计数值减1;否则,所述计时器的计数值不变;
对特征量BL与一组lowβ波判断阈值进行阈值比较时,先将特征量BL与BLST进行差值比较:当BL<BLST时,将此时所述计时器的计数值加2;否则,所述计时器的计数值不变;之后,将特征量BL与BLWT进行差值比较:当BL>BLWT时,将此时所述计时器的计数值减2;否则,所述计时器的计数值不变;
对特征量BH与一组highβ波判断阈值进行阈值比较时,先将特征量BH与BHST进行差值比较:当BH<BHST时,将此时所述计时器的计数值加2;否则,所述计时器的计数值不变;之后,将特征量BH与BHWT进行差值比较:当BH>BHWT时,将此时所述计时器的计数值减2;否则,所述计时器的计数值不变;
对特征量T与一组θ波判断阈值进行阈值比较时,先将特征量T与TST进行差值比较:当T<TST时,将此时所述计时器的计数值加1;否则,所述计时器的计数值不变;之后,将特征量T与TWT进行差值比较:当T>TWT时,将此时所述计时器的计数值减1;否则,所述计时器的计数值不变;
对特征量D与一组δ波判断阈值分别进行阈值比较时,先将特征量D与DST进行差值比较:当D<DST时,将此时所述计时器的计数值加6;否则,所述计时器的计数值不变;之后,将特征量D与DWT进行差值比较:当D>DWT时,将此时所述计时器的计数值减6;否则,所述计时器的计数值不变;
步骤B4、疲劳驾驶判断:所述主控芯片2-1根据步骤B3中多阈值比较完成后所述计数器的计数值,对此时驾驶员的疲劳驾驶状态进行判断:当此时所述计数器的计数值>N时,说明经验证此时驾驶员处于疲劳驾驶状态,所述主控芯片2-1控制报警提示单元2-5进行报警提示;否则,说明经验证此时驾驶员处于疲劳驾驶状态;
其中,N为正整数且N=52~58。
实际使用时,所述TGAM模块采集并预处理后的脑电波信号中包含原始脑电波、α波、β波、θ波和δ波信号,其中α波分为三个波段,即lowα波、middleα波和highα波;β波分为三个波段,即lowβ波、middleβ波和highβ波。
并且,所述脑电信号获取装置1输出的脑电波信号均为经快速傅里叶变换(即FFT变换)后的频域信号。
在时域中,所述原始脑电波、lowα波、highα波、lowβ波、highβ波、θ波和δ波信号均为电位随时间变化的信号,其中电位的单位为μV(即微伏),时间的单位为s。实际使用时,也可以用脑电信号获取装置1输出原始脑电波、lowα波、highα波、lowβ波、highβ波、θ波和δ波信号的时域信号,再采用外设的控制芯片进行快速傅里叶变换。
经快速傅里叶变换后,将时域信号变换为频域信号。对于频域信号而言,自变量是频率,其横轴是频率,纵轴是该频率信号的幅度,表达信号的频率成分。
经快速傅里叶变换后,获得通常说的频谱图。频谱图描述了信号的频率结构及频率与该频率信号幅度的关系。
本实施例中,所述原始脑电波、lowα波、highα波、lowβ波、highβ波、θ波和δ波信号均为频域信号,步骤B2中所述原始脑电波、lowα波、highα波、lowβ波、highβ波、θ波和δ波信号的信号值均为信号的幅度,即经快速傅里叶变换计算得出的纵坐标值。
实际使用时,步骤B2中所述原始脑电波、lowα波、highα波、lowβ波、highβ波、θ波和δ波信号也可以均为时域信号,此时步骤B2中所述原始脑电波、lowα波、highα波、lowβ波、highβ波、θ波和δ波信号的信号值均为电位值,即电压值。
本实施例中,所述原始脑电波、lowα波、highα波、lowβ波、highβ波、θ波和δ波信号均为TGAM模块直接输出的信号,因而原始脑电波、lowα波、highα波、lowβ波、highβ波、θ波和δ波信号的信号值均为TGAM模块输出的该信号的信号值,只需直接使用即可,因而实现非常简便。
本实施例中,步骤202中所述的冥想度M与专注度A均为TGAM模块直接输出的数据,只需直接使用即可,因而实现非常简便。并且,所述原始脑电波、lowα波、highα波、lowβ波、highβ波、θ波和δ波信号的信号值均为TGAM模块输出的该信号的数据。
并且,步骤2012中所述原始脑电波信号的信号值为TGAM模块输出的该信号的信号值,并且由于该信号值为所述原始脑电波信号经快速傅里叶变换计算得出的纵坐标值,因而该信号值无量纲。步骤2012中所述原始脑电波信号的信号值最大值为所提取原始脑电波信号中信号值的最大值。
本实施例中,步骤二中进行脑电波信号分析处理之前,先采用主控芯片2-1对步骤B3中7组所述疲劳驾驶判断阈值进行确定;
对步骤B3中7组所述疲劳驾驶判断阈值进行确定时,先采用脑电信号获取装置1获取驾驶员P秒内的脑电波信号,再根据所获得的驾驶员P秒内的脑电波信号对7组所述疲劳驾驶判断阈值进行确定;其中,P为正整数且P=50~70;
根据所获得的驾驶员P秒内的脑电波信号对7组所述疲劳驾驶判断阈值进行确定时,包括以下步骤:
步骤B31、特征信号提取:先从所获得的驾驶员P秒内的脑电波信号中提取出512×P个原始脑电波信号、P个lowα波信号、P个highα波信号、P个lowβ波信号、P个highβ波信号、P个θ波信号和P个δ波信号,并对ALM、ALSD、AHM、AHSD、BLM、BLSD、BHM、BHSD、TM、TSD、DM和DSD分别进行计算;
其中RM和RSD分别为512×P个原始脑电波信号的信号值的平均值和标准差,ALM和ALSD分别为P个lowα波信号的信号值的平均值和标准差,AHM和AHSD分别为P个highα波信号的信号值的平均值和标准差,BLM和BLSD分别为P个lowβ波信号的信号值的平均值和标准差,BHM和BHSD分别为P个highβ波信号的信号值的平均值和标准差,TM和TSD分别为P个θ波信号的信号值的平均值和标准差,DM和DSD分别为P个δ波信号的信号值的平均值和标准差;
步骤B32、阈值计算:根据公式RST=rS1RM+rS2RSD(1)、RWT=rW1RM+rW2RSD(2)、ALST=aLS1ALM+aLS2ALSD(3)、ALWT=aLW1ALM+aLW2ALSD(4)、AHST=aHS1AHM+aHS2AHSD(5)、AHWT=aHW1AHM+aHW2AHSD(6)、BLST=bLS1BLM+bLS2BLSD(7)、BLWT=bLW1BLM+bLW2BLSD(8)、BHST=bHS1BHM+bHS2BHSD(9)、BHWT=bHW1BHM+bHW2BHSD(10)、TST=tS1TM+tS2TSD(11)、TWT=tW1TM+tW2TSD(12)、DST=dS1DM+dS2DSD(13)和DWT=dW1DM+dW2DSD(14),分别对RST、RWT、ALST、ALWT、AHST、AHWT、BLST、BLWT、BHST、BHWT、TST、TWT、DST和DWT进行计算;
公式(1)中,rS1和rS2为RST的两个加权系数,0<rS1≤6,-3≤rS2<0;
公式(2)中,rW1和rW2为RWT的两个加权系数,0<rW1≤6,-3≤rW2<0;
公式(3)中,aLS1和aLS2为ALST的两个加权系数,0<aLS1≤1,-1≤aLS2<0;
公式(4)中,aLW1和aLW2为ALWT的两个加权系数,0<aLW1≤1,-1≤aLW2<0;
公式(5)中,aHS1和aHS2为AHST的两个加权系数,0<aHS1≤1,-1≤aHS2<0;
公式(6)中,aHW1和aHW2为AHWT的两个加权系数,0<aHW1≤1,-1≤aHW2<0;
公式(7)中,bLS1和bLS2为BLST的两个加权系数,0<bLS1≤1,-1≤bLS2<0;
公式(8)中,bLW1和bLW2为BLWT的两个加权系数,0<bLW1≤1,-1≤bLW2<0;
公式(9)中,bHS1和bHS2为BHST的两个加权系数,0<bHS1≤1,-1≤bHS2<0;
公式(10)中,bHW1和bHW2为BHWT的两个加权系数,0<bHW1≤1,-1≤bHW2<0;
公式(11)中,tS1和tS2为TST的两个加权系数,0<tS1≤1,-1≤tS2<0;
公式(12)中,tW1和tW2为TWT的两个加权系数,0<tW1≤1,-1≤tW2<0;
公式(13)中,dS1和dS2为DST的两个加权系数,0<dS1≤1,-1≤dS2<0;
公式(14)中,dW1和dW2为DWT的两个加权系数,0<dW1≤1,-1≤dW2<0。
本实施例中,0.5<aLS1≤1,0.5<aLW1≤1,0.5<aHS1≤1,0.5<aHW1≤1,0.5<bLS1≤1,0.5<bLW1≤1,0.5<bHS1≤1,0.5<bHW1≤1,0.5<tS1≤1,0.5<tW1≤1,0.5<dS1≤1,0.5<dW1≤1。
实际使用时,可根据具体需要,对rS1、rS2、rW1、rW2、aLS1、aLS2、aLW1、aLW2、aHS1、aHS2、aHW1、aHW2、bLS1、bLS2、bLW1、bLW2、bHS1、bHS2、bHW1、bHW2、tS1、tS2、tW1、tW2、dS1、dS2、dW1和dW2的取值大小进行相应确定。
为实现简便,rS1、rS2、rW1、rW2、aLS1、aLS2、aLW1、aLW2、aHS1、aHS2、aHW1、aHW2、bLS1、bLS2、bLW1、bLW2、bHS1、bHS2、bHW1、bHW2、tS1、tS2、tW1、tW2、dS1、dS2、dW1和dW2均可以从上述取值范围中随机选取一个数值。
本实施例中,步骤B32中进行阈值计算之前,需先采用主控芯片2-1对rS1、rS2、rW1、rW2、aLS1、aLS2、aLW1、aLW2、aHS1、aHS2、aHW1、aHW2、bLS1、bLS2、bLW1、bLW2、bHS1、bHS2、bHW1、bHW2、tS1、tS2、tW1、tW2、dS1、dS2、dW1和dW2进行确定,过程如下:
步骤B321、睡眠状态下与清醒状态下驾驶员脑电波信号获取及特征信号提取:采用脑电信号获取装置1获取睡眠状态下驾驶员m1秒内的脑电波信号和清醒状态下驾驶员m2秒内的脑电波信号,并从睡眠状态下驾驶员m1秒内的脑电波信号中提取出512×m1个原始脑电波信号、m1个lowα波信号、m1个highα波信号、m1个lowβ波信号、m1个highβ波信号、m1个θ波信号和m1个δ波信号,同时从清醒状态下驾驶员m2秒内的脑电波信号中提取出512×m2个原始脑电波信号、m2个lowα波信号、m2个highα波信号、m2个lowβ波信号、m2个highβ波信号、m2个θ波信号和m2个δ波信号;
其中,m1和m2均为正整数,且m1≥5,m2≥5;
步骤B322、加权系数初始值确定:
从(0,6]中随机抽取一个数作为rS1的初始值,从[-3,0)中随机抽取一个数作为rS2的初始值;
从(0,6]中随机抽取一个数作为rW1的初始值,从[-3,0)中随机抽取一个数作为rW2的初始值;
从(0,1]中随机抽取一个数作为aLS1的初始值,从[-1,0)中随机抽取一个数作为aLS2的初始值;
从(0,1]中随机抽取一个数作为aLW1的初始值,从[-1,0)中随机抽取一个数作为aLW2的初始值;
从(0,1]中随机抽取一个数作为aHS1的初始值,从[-1,0)中随机抽取一个数作为aHS2的初始值;
从(0,1]中随机抽取一个数作为aHW1的初始值,从[-1,0)中随机抽取一个数作为aHW2的初始值;
从(0,1]中随机抽取一个数作为bLS1的初始值,从[-1,0)中随机抽取一个数作为bLS2的初始值;
从(0,1]中随机抽取一个数作为bLW1的初始值,从[-1,0)中随机抽取一个数作为bLW2的初始值;
从(0,1]中随机抽取一个数作为bHS1的初始值,从[-1,0)中随机抽取一个数作为bHS2的初始值;
从(0,1]中随机抽取一个数作为bHW1的初始值,从[-1,0)中随机抽取一个数作为bHW2的初始值;
从(0,1]中随机抽取一个数作为tS1的初始值,从[-1,0)中随机抽取一个数作为tS2的初始值;
从(0,1]中随机抽取一个数作为tW1的初始值,从[-1,0)中随机抽取一个数作为tW2的初始值;
从(0,1]中随机抽取一个数作为dS1的初始值,从[-1,0)中随机抽取一个数作为dS2的初始值;
从(0,1]中随机抽取一个数作为dW1的初始值,从[-1,0)中随机抽取一个数作为dW2的初始值;
步骤B323、加权系数增减调整:根据步骤B321中获取的睡眠状态下驾驶员m1秒内的脑电波信号,对步骤B322中确定的rS1、rS2、aLS1、aLS2、aHS1、aHS2、bLS1、bLS2、bHS1、bHS2、tS1、tS2、dS1和dS2分别进行增减调整;同时,根据步骤B321中获取的清醒状态下驾驶员m2秒内的脑电波信号对步骤B322中确定的rW1、rW2、aLW1、aLW2、aHW1、aHW2、bLW1、bLW2、bHW1、bHW2、tW1、tW2、dW1和dW2分别进行增减调整;
其中,对rS1和rS2进行增减调整时,利用步骤B321中提取出的512×m1个原始脑电波信号,由先至后对rS1和rS2进行512×m1次增减调整且各次增减调整方法均相同;其中,利用512×m1个原始脑电波信号中任一个原始脑电波信号对rS1和rS2进行增减调整时,过程如下:
步骤1-1、将此时rS1和rS2的数值代入公式(1),计算得出增减调整之前的原始脑电波疲劳阈值,记作RST';
步骤1-2、将此时所利用原始脑电波信号的信号值与步骤1-1中所述的RST'进行差值比较:当该原始脑电波信号的信号值<RST'时,rS1和rS2的数值不变;否则,对rS1和rS2均进行减小调整,使该原始脑电波信号的信号值≥RST”;
其中,RST”为将减小调整后rS1和rS2的数值代入公式(1)后计算得出的减小调整后的原始脑电波疲劳阈值;
步骤1-3、按照步骤1-1至步骤1-2中所述的方法,利用512×m1个原始脑电波信号中的下一个原始脑电波信号对rS1和rS2进行增减调整;
步骤1-4、多次重复步骤1-3,直至完成512×m1个原始脑电波信号对rS1和rS2的增减调整过程;
对aLS1和aLS2进行增减调整时,利用步骤B321中提取出的m1个lowα波信号,由先至后对aLS1和aLS2进行m1次增减调整且各次增减调整方法均相同;其中,利用m1个lowα波信号中任一个lowα波信号对aLS1和aLS2进行增减调整时,过程如下:
步骤3-1、将此时aLS1和aLS2的数值代入公式(3),计算得出增减调整之前的lowα波疲劳阈值,记作ALST';
步骤3-2、将此时所利用lowα波信号的信号值与步骤3-1中所述的ALST'进行差值比较:当该lowα波信号的信号值<ALST'时,aLS1和aLS2的数值不变;否则,对aLS1和aLS2均进行减小调整,使该lowα波信号的信号值≥ALST”;
其中,ALST”为将减小调整后aLS1和aLS2的数值代入公式(3)后计算得出的减小调整后的lowα波疲劳阈值;
步骤3-3、按照步骤3-1至步骤3-2中所述的方法,利用m1个lowα波信号中的下一个lowα波信号对aLS1和aLS2进行增减调整;
步骤3-4、多次重复步骤3-3,直至完成m1个lowα波信号对aLS1和aLS2的增减调整过程;
对aHS1和aHS2进行增减调整时,利用步骤B321中提取出的m1个highα波信号,由先至后对aHS1和aHS2进行m1次增减调整且各次增减调整方法均相同;其中,利用m1个highα波信号中任一个highα波信号对aHS1和aHS2进行增减调整时,过程如下:
步骤5-1、将此时aHS1和aHS2的数值代入公式(5),计算得出增减调整之前的highα波疲劳阈值,记作AHST';
步骤5-2、将此时所利用highα波信号的信号值与步骤5-1中所述的AHST'进行差值比较:当该highα波信号的信号值<AHST'时,aHS1和aHS2的数值不变;否则,对aHS1和aHS2均进行减小调整,使该highα波信号的信号值≥AHST”;
其中,AHST”为将减小调整后aHS1和aHS2的数值代入公式(5)后计算得出的减小调整后的highα波疲劳阈值;
步骤5-3、按照步骤5-1至步骤5-2中所述的方法,利用m1个highα波信号中的下一个highα波信号对aHS1和aHS2进行增减调整;
步骤5-4、多次重复步骤5-3,直至完成m1个highα波信号对aHS1和aHS2的增减调整过程;
对bLS1和bLS2进行增减调整时,利用步骤B321中提取出的m1个lowβ波信号,由先至后对bLS1和bLS2进行m1次增减调整且各次增减调整方法均相同;其中,利用m1个lowβ波信号中任一个lowβ波信号对bLS1和bLS2进行增减调整时,过程如下:
步骤7-1、将此时bLS1和bLS2的数值代入公式(7),计算得出增减调整之前的lowβ波疲劳阈值,记作BLST';
步骤7-2、将此时所利用lowβ波信号的信号值与步骤7-1中所述的BLST'进行差值比较:当该lowβ波信号的信号值<BLST'时,bLS1和bLS2的数值不变;否则,对bLS1和bLS2均进行减小调整,使该lowβ波信号的信号值≥BLST”;
其中,BLST”为将减小调整后bLS1和bLS2的数值代入公式(7)后计算得出的减小调整后的lowβ波疲劳阈值;
步骤7-3、按照步骤7-1至步骤7-2中所述的方法,利用m1个lowβ波信号中的下一个lowβ波信号对bLS1和bLS2进行增减调整;
步骤7-4、多次重复步骤7-3,直至完成m1个lowβ波信号对bLS1和bLS2的增减调整过程;
对bHS1和bHS2进行增减调整时,利用步骤B321中提取出的m1个highβ波信号,由先至后对bHS1和bHS2进行m1次增减调整且各次增减调整方法均相同;其中,利用m1个highβ波信号中任一个highβ波信号对bHS1和bHS2进行增减调整时,过程如下:
步骤9-1、将此时bHS1和bHS2的数值代入公式(9),计算得出增减调整之前的highβ波疲劳阈值,记作BHST';
步骤9-2、将此时所利用highβ波信号的信号值与步骤9-1中所述的BHST'进行差值比较:当该highβ波信号的信号值<BHST'时,bHS1和bHS2的数值不变;否则,对bHS1和bHS2均进行减小调整,使该highβ波信号的信号值≥BHST”;
其中,BHST”为将减小调整后bHS1和bHS2的数值代入公式(9)后计算得出的减小调整后的highβ波疲劳阈值;
步骤9-3、按照步骤9-1至步骤9-2中所述的方法,利用m1个highβ波信号中的下一个highβ波信号对bHS1和bHS2进行增减调整;
步骤9-4、多次重复步骤9-3,直至完成m1个highβ波信号对bHS1和bHS2的增减调整过程;
对tS1和tS2进行增减调整时,利用步骤B321中提取出的m1个θ波信号,由先至后对tS1和tS2进行m1次增减调整且各次增减调整方法均相同;其中,利用m1个θ波信号中任一个θ波信号对tS1和tS2进行增减调整时,过程如下:
步骤11-1、将此时tS1和tS2的数值代入公式(11),计算得出增减调整之前的θ波疲劳阈值,记作TST';
步骤11-2、将此时所利用θ波信号的信号值与步骤11-1中所述的TST'进行差值比较:当该θ波信号的信号值<TST'时,tS1和tS2的数值不变;否则,对tS1和tS2均进行减小调整,使该θ波信号的信号值≥TST”;
其中,TST”为将减小调整后tS1和tS2的数值代入公式(11)后计算得出的减小调整后的θ波疲劳阈值;
步骤11-3、按照步骤11-1至步骤11-2中所述的方法,利用m1个θ波信号中的下一个θ波信号对tS1和tS2进行增减调整;
步骤11-4、多次重复步骤11-3,直至完成m1个θ波信号对tS1和tS2的增减调整过程;
对dS1和dS2进行增减调整时,利用步骤B321中提取出的m1个δ波信号,由先至后对dS1和dS2进行m1次增减调整且各次增减调整方法均相同;其中,利用m1个δ波信号中任一个δ波信号对dS1和dS2进行增减调整时,过程如下:
步骤13-1、将此时dS1和dS2的数值代入公式(13),计算得出增减调整之前的δ波疲劳阈值,记作DST';
步骤13-2、将此时所利用δ波信号的信号值与步骤13-1中所述的DST'进行差值比较:当该δ波信号的信号值<DST'时,dS1和dS2的数值不变;否则,对dS1和dS2均进行减小调整,使该δ波信号的信号值≥DST”;
其中,DST”为将减小调整后dS1和dS2的数值代入公式(13)后计算得出的减小调整后的δ波疲劳阈值;
步骤13-3、按照步骤13-1至步骤13-2中所述的方法,利用m1个θ波信号中的下一个δ波信号对dS1和dS2进行增减调整;
步骤13-4、多次重复步骤13-3,直至完成m1个δ波信号对dS1和dS2的增减调整过程;
对rW1和rW2进行增减调整时,利用步骤B321中提取出的512×m2个原始脑电波信号,由先至后对rW1和rW2进行512×m2次增减调整且各次增减调整方法均相同;其中,利用512×m2个原始脑电波信号中任一个原始脑电波信号对rW1和rW2进行增减调整时,过程如下:
步骤2-1、将此时rW1和rW2的数值代入公式(2),计算得出增减调整之前的原始脑电波清醒阈值,记作RWT';
步骤2-2、将此时所利用原始脑电波信号的信号值与步骤2-1中所述的RWT'进行差值比较:当该原始脑电波信号的信号值>RWT'时,rW1和rW2的数值不变;否则,对rW1和rW2均进行增大调整,使该原始脑电波信号的信号值≤RWT”;
其中,RWT”为将增大调整后rW1和rW2的数值代入公式(2)后计算得出的增大调整后的原始脑电波清醒阈值;
步骤2-3、按照步骤2-1至步骤2-2中所述的方法,利用512×m2个原始脑电波信号中的下一个原始脑电波信号对rW1和rW2进行增减调整;
步骤2-4、多次重复步骤2-3,直至完成512×m2个原始脑电波信号对rW1和rW2的增减调整过程;
对aLW1和aLW2进行增减调整时,利用步骤B321中提取出的m2个lowα波信号,由先至后对aLW1和aLW2进行m2次增减调整且各次增减调整方法均相同;其中,利用m2个lowα波信号中任一个lowα波信号对aLW1和aLW2进行增减调整时,过程如下:
步骤4-1、将此时aLW1和aLW2的数值代入公式(4),计算得出增减调整之前的lowα波清醒阈值,记作ALWT';
步骤4-2、将此时所利用lowα波信号的信号值与步骤4-1中所述的ALWT'进行差值比较:当该lowα波信号的信号值>ALWT'时,aLW1和aLW2的数值不变;否则,对aLW1和aLW2均进行增大调整,使该lowα波信号的信号值≤ALWT”;
其中,ALWT”为将增大调整后aLW1和aLW2的数值代入公式(4)后计算得出的增大调整后的lowα波清醒阈值;
步骤4-3、按照步骤4-1至步骤4-2中所述的方法,利用m2个lowα波信号中的下一个lowα波信号对aLW1和aLW2进行增减调整;
步骤4-4、多次重复步骤4-3,直至完成m2个lowα波信号对aLW1和aLW2的增减调整过程;
对aHW1和aHW2进行增减调整时,利用步骤B321中提取出的m2个highα波信号,由先至后对aHW1和aHW2进行m2次增减调整且各次增减调整方法均相同;其中,利用m2个highα波信号中任一个highα波信号对aHW1和aHW2进行增减调整时,过程如下:
步骤6-1、将此时aHW1和aHW2的数值代入公式(6),计算得出增减调整之前的highα波清醒阈值,记作AHWT';
步骤6-2、将此时所利用highα波信号的信号值与步骤6-1中所述的AHWT'进行差值比较:当该highα波信号的信号值>AHWT'时,aHW1和aHW2的数值不变;否则,对aHW1和aHW2均进行增大调整,使该highα波信号的信号值≤AHWT”;
其中,AHWT”为将增大调整后aHW1和aHW2的数值代入公式(6)后计算得出的增大调整后的highα波清醒阈值;
步骤6-3、按照步骤6-1至步骤6-2中所述的方法,利用m2个highα波信号中的下一个highα波信号对aHW1和aHW2进行增减调整;
步骤6-4、多次重复步骤6-3,直至完成m2个highα波信号对aHW1和aHW2的增减调整过程;
对bLW1和bLW2进行增减调整时,利用步骤B321中提取出的m2个lowβ波信号,由先至后对bLW1和bLW2进行m2次增减调整且各次增减调整方法均相同;其中,利用m2个lowβ波信号中任一个lowβ波信号对bLW1和bLW2进行增减调整时,过程如下:
步骤8-1、将此时bLW1和bLW2的数值代入公式(8),计算得出增减调整之前的lowβ波清醒阈值,记作BLWT';
步骤8-2、将此时所利用lowβ波信号的信号值与步骤8-1中所述的BLWT'进行差值比较:当该lowβ波信号的信号值>BLWT'时,bLW1和bLW2的数值不变;否则,对bLW1和bLW2均进行增大调整,使该lowβ波信号的信号值≤BLWT”;
其中,BLWT”为将增大调整后bLW1和bLW2的数值代入公式(8)后计算得出的增大调整后的lowβ波清醒阈值;
步骤8-3、按照步骤8-1至步骤8-2中所述的方法,利用m2个lowβ波信号中的下一个lowβ波信号对bLW1和bLW2进行增减调整;
步骤8-4、多次重复步骤8-3,直至完成m2个lowβ波信号对bLW1和bLW2的增减调整过程;
对bHW1和bHW2进行增减调整时,利用步骤B321中提取出的m2个highβ波信号,由先至后对bHW1和bHW2进行m2次增减调整且各次增减调整方法均相同;其中,利用m2个highβ波信号中任一个highβ波信号对bHW1和bHW2进行增减调整时,过程如下:
步骤10-1、将此时bHW1和bHW2的数值代入公式(10),计算得出增减调整之前的highβ波清醒阈值,记作BHWT';
步骤10-2、将此时所利用highβ波信号的信号值与步骤10-1中所述的BHST'进行差值比较:当该highβ波信号的信号值>BHWT'时,bHW1和bHW2的数值不变;否则,对bHW1和bHW2均进行增大调整,使该highβ波信号的信号值≤BHWT”;
其中,BHWT”为将增大调整后bHW1和bHW2的数值代入公式(9)后计算得出的增大调整后的highβ波清醒阈值;
步骤10-3、按照步骤10-1至步骤10-2中所述的方法,利用m2个highβ波信号中的下一个highβ波信号对bHW1和bHW2进行增减调整;
步骤10-4、多次重复步骤10-3,直至完成m2个highβ波信号对bHW1和bHW2的增减调整过程;
对tW1和tW2进行增减调整时,利用步骤B321中提取出的m2个θ波信号,由先至后对tW1和tW2进行m2次增减调整且各次增减调整方法均相同;其中,利用m2个θ波信号中任一个θ波信号对tW1和tW2进行增减调整时,过程如下:
步骤12-1、将此时tW1和tW2的数值代入公式(12),计算得出增减调整之前的θ波清醒阈值,记作TWT';
步骤12-2、将此时所利用θ波信号的信号值与步骤12-1中所述的TST'进行差值比较:当该θ波信号的信号值>TWT'时,tW1和tW2的数值不变;否则,对tW1和tW2均进行增大调整,使该θ波信号的信号值≤TWT”;
其中,TWT”为将增大调整后tW1和tW2的数值代入公式(12)后计算得出的增大调整后的θ波清醒阈值;
步骤12-3、按照步骤12-1至步骤12-2中所述的方法,利用m2个θ波信号中的下一个θ波信号对tW1和tW2进行增减调整;
步骤12-4、多次重复步骤12-3,直至完成m2个θ波信号对tW1和tW2的增减调整过程;
对dW1和dW2进行增减调整时,利用步骤B321中提取出的m2个δ波信号,由先至后对dW1和dW2进行m2次增减调整且各次增减调整方法均相同;其中,利用m2个δ波信号中任一个δ波信号对dW1和dW2进行增减调整时,过程如下:
步骤14-1、将此时dW1和dW2的数值代入公式(14),计算得出增减调整之前的δ波清醒阈值,记作DWT';
步骤14-2、将此时所利用δ波信号的信号值与步骤14-1中所述的DST'进行差值比较:当该δ波信号的信号值>DWT'时,dW1和dW2的数值不变;否则,对dW1和dW2均进行增大调整,使该δ波信号的信号值≤DWT”;
其中,DWT”为将增大调整后dW1和dW2的数值代入公式(14)后计算得出的增大调整后的δ波清醒阈值;
步骤14-3、按照步骤14-1至步骤14-2中所述的方法,利用m2个θ波信号中的下一个δ波信号对dW1和dW2进行增减调整;
步骤14-4、多次重复步骤14-3,直至完成m2个δ波信号对dW1和dW2的增减调整过程。
因而,本发明中采用上述方法,对rS1、rS2、rW1、rW2、aLS1、aLS2、aLW1、aLW2、aHS1、aHS2、aHW1、aHW2、bLS1、bLS2、bLW1、bLW2、bHS1、bHS2、bHW1、bHW2、tS1、tS2、tW1、tW2、dS1、dS2、dW1和dW2进行确定。
本实施例中,步骤B323中对rS1、rS2、aLS1、aLS2、aHS1、aHS2、bLS1、bLS2、bHS1、bHS2、tS1、tS2、dS1和dS2进行增减调整时,每一次减小调整量均为0.01~0.1;对rW1、rW2、aLW1、aLW2、aHW1、aHW2、bLW1、bLW2、bHW1、bHW2、tW1、tW2、dW1和dW2分别进行增减调整时,每一次增大调整量均为0.01~0.1。
实际使用时,可根据具体需要,对每一次减小调整量和每一次增大调整量的大小进行相应调整。
实际使用过程中,步骤二中进行脑电波信号分析处理之前,对步骤B3中7组所述疲劳驾驶判断阈值进行确定时,也可以采用以下方法进行确定:先采用脑电信号获取装置1对驾驶员从非睡眠状态进入睡眠状态时和从非清醒状态进入清醒状态时的脑电波信号分别进行采集及预处理;其中,RST、ALST、AHST、BLST、BHST、TST和DST分别为驾驶员从非睡眠状态进入睡眠状态时脑电信号获取装置1所输出脑电波信号中原始脑电波、lowα波、highα波、lowβ波、highβ波、θ波和δ波信号的信号值,RWT、ALWT、AHWT、BLWT、BHWT、TWT和DWT分别为驾驶员从非清醒状态进入清醒状态时脑电信号获取装置1所输出脑电波信号中原始脑电波、lowα波、highα波、lowβ波、highβ波、θ波和δ波信号的信号值。
本实施例中,步骤B4中所述的N=55。实际使用时,可根据具体需要,对N的取值大小进行相应调整。
本实施例中,所获得的驾驶员P秒内的脑电波信号为脑电信号获取装置1在P秒内采集并预处理后的脑电波信号;
步骤B321中睡眠状态下驾驶员m1秒内的脑电波信号为脑电信号获取装置1在m1秒内采集并预处理后的脑电波信号,清醒状态下驾驶员m2秒内的脑电波信号为脑电信号获取装置1在m2秒内采集并预处理后的脑电波信号。
本实施例中,步骤一中所述主控芯片2-1为Arduino控制器。
实际使用时,所述主控芯片2-1也可以采用其它类型的控制器,如ARM控制器等。
本实施例中,步骤一中所述脑电信号监测装置2还包括与主控芯片2-1相接的第三无线通信模块2-3;所述主控芯片2-1通过第三无线通信模块2-3与上位机4进行通信;
步骤B4中当此时所述计数器的计数值>N时,所述主控芯片2-1通过第三无线通信模块2-3将驾驶员的疲劳驾驶状态同步传送至上位机4。
实际使用时,所述脑电信号监测装置2布设在驾驶员所驾驶的车辆内,所述主控芯片2-1和第二无线通信模块2-2均布设在电子线路板上,所述电子线路板布设在外壳内;所述报警提示单元2-5布设在所述外壳上。
同时,所述脑电信号监测装置2还包括与主控芯片2-1相接的供电单元2-4。
本实施例中,所述报警提示单元2-5为语音提示单元且其布设在所述外壳上。
如图3所示,本实施例中,所述脑电信号预处理装置1-2为美国NeuroSky公司研发的TGAM芯片。所述第一脑电电极1-11的输出端接TGAM芯片的EEG引脚,第二脑电电极1-12的输出端接TGAM芯片的REF引脚,第三脑电电极1-13的输出端接TGAM芯片的EEG_GND引脚。实际使用时,所述第二脑电电极1-12为参考电极。
实际使用过程中,所述TGAM芯片的EEG端输入第一脑电电极1-11所采样的脑电信号,EEG_shiled端的作用是屏蔽在第一脑电电极1-11所采样脑电信号输入TGAM芯片之前这段时间的干扰;REF端输入第二脑电电极1-2所采样的脑电信号,将第二脑电电极1-12所采样的耳部脑电信号作为参考电位,能有效滤除自发式脑电波;REF_shiled端主要是屏蔽第二脑电电极1-12所采样脑电信号输入TGAM芯片之前这段时间的干扰;脑波地线也连接在人体的耳部,即第三脑电电极1-13所采样的脑电信号,主要的作用是为了屏蔽人体头部以下电波的影响,譬如心电波就是一种比较强的干扰波,脑波地线的连接能有效滤除心电波。也就是说,第三脑电电极1-13为采集脑电波接地信号的电极。
本实施例中,所述第一无线通信模块3和第二无线通信模块2-2均为蓝牙无线通信模块。
并且,所述蓝牙无线通信模块为HL-MD08R-C2A模块。
实际使用时,所述第一无线通信模块3和第二无线通信模块2-2也可以采用其它类型的无线通信模块。
本实施例中,所述第一脑电电极1-11放置在按照10─20***电极放置法确定的驾驶员的左额极上,所述第二脑电电极1-12和第三脑电电极1-13均放置在按照10─20***电极放置法确定的驾驶员的左颞中上。其中,10─20***电极放置法,即国际脑电图学会规定的标准电极放置法。
因而,脑电信号提取装置1-1主要采集的是前额区,具体是左额极(FP1)这一电极位点上的电位。所述第二脑电电极1-12和第三脑电电极1-13均放置在左颞中(T3)这一电极位点上。
本实施例中,所述TGAM芯片的型号为TGAM1,所述第一无线通信模块3和第二无线通信模块2-2均为BlueTooth芯片。实际接线时,所述TGAM芯片的TXD引脚与第一无线通信模块3的RX引脚相接。所述TGAM芯片的电源端和TGAM芯片的VCC管脚均接+3.3V电源端。
如图4所示,本实施例中,所述报警提示单元2-5为扬声器LS,所述扬声器LS的一端与所述Arduino控制器的第8引脚相接且其另一端接地。
本实施例中,所述GPRS无线通信模块为GTM-900C无线通信模块。
实际接线时,所述Arduino控制器的RX引脚与第二无线通信模块2-2的RX引脚相接且其TX引脚与GTM-900C无线通信模块的RX引脚相接。
同时,所述脑电信号监测装置2还包括参数输入单元2-6和显示器2-7,所述参数输入单元2-6和显示器2-7均布设在所述外壳上。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (10)
1.一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征在于该方法包括以下步骤:
步骤一、脑电波信号采集:采用脑电信号获取装置(1)且按照预先设定的采样频率对驾驶员的脑电波信号进行采集及预处理,并将预处理后的脑电波信号同步传送至脑电信号监测装置(2);
本步骤中,所述脑电波信号中包含原始脑电波信号,且所述原始脑电波信号的采样频率为512Hz;
所述脑电信号获取装置(1)与脑电信号监测装置(2)之间以无线通信方式进行通信;所述脑电信号获取装置(1)为TGAM模块,所述TGAM模块包括对驾驶员的脑电波信号进行提取的脑电信号提取装置(1-1)和对脑电信号提取装置(1-1)所提取信号进行采样及预处理的脑电信号预处理装置(1-2),所述脑电信号预处理装置(1-2)与脑电信号提取装置(1-1)相接,所述脑电信号提取装置(1-1)包括对驾驶员额叶区的电位进行实时采样的第一脑电电极(1-11)以及对驾驶员的耳部电位进行实时采样的第二脑电电极(1-12)和第三脑电电极(1-13),所述第一脑电电极(1-11)、第二脑电电极(1-12)和第三脑电电极(1-13)均与脑电信号预处理装置(1-2)相接;所述脑电信号监测装置(2)包括主控芯片(2-1)以及分别与主控芯片(2-1)相接的第二无线通信模块(2-2)和报警提示单元(2-5),所述报警提示单元(2-5)由主控芯片(2-1)进行控制且其与主控芯片(2-1)相接;所述脑电信号预处理装置(1-2)与第一无线通信模块(3)相接,所述脑电信号预处理装置(1-2)通过第一无线通信模块(3)和第二无线通信模块(2-2)与主控芯片(2-1)进行通信;
步骤二、脑电波信号分析处理:所述主控芯片(2-1)按照预先设定的分析处理频率f,且按照时间先后顺序,对各分析处理周期内接收到的所述脑电波信号分别进行分析处理;其中,分析处理周期为6s,
对各分析处理周期内接收到的所述脑电波信号分别进行分析处理时,过程如下:
步骤201、第一个分析处理周期内所接收脑电波信号分析处理,包括以下步骤:
步骤2011、脑电波信号同步存储:对该分析处理周期内接收到的脑电信号获取装置(1)采集并预处理后的脑电波信号进行同步存储,所存储的脑电波信号为当前待处理脑电波信号;
步骤2012、原始脑电波信号提取及信号值最大值记录:从步骤2011中所述当前待处理脑电波信号中提取出原始脑电波信号,并对所提取原始脑电波信号的信号值最大值进行记录;本步骤中,所提取的原始脑电波信号为该分析处理周期的原始脑电波信号,所记录的信号值最大值为该分析处理周期的脑电波信号值最大值;
步骤202、下一个分析处理周期内所接收脑电波信号分析处理:按照步骤2011至步骤2012中所述的方法,对下一个分析处理周期内所接收脑电波信号进行分析处理,并获得该分析处理周期的脑电波信号值最大值;
步骤203、n-2次重复步骤202,直至完成前n个分析处理周期内所接收脑电波信号的分析处理过程,获得前n个分析处理周期的脑电波信号值最大值;其中,n为正整数且n≥9;
步骤204、眨眼判断阈值确定:根据公式ZJZ=Z0+Zf(1-1),计算得出驾驶员的眨眼判断阈值ZJZ;公式(1-1)中,Z0为步骤2014中所获得前n个分析处理周期的脑电波信号值最大值的平均值,Zf为眨眼判断阈值ZJZ的基础值且Zf=140~160;
步骤205、前n个分析处理周期内驾驶员眨眼次数统计:对前n个分析处理周期内驾驶员的眨眼次数分别进行统计,且前n个分析处理周期内驾驶员眨眼次数的统计方法均相同;
对前n个分析处理周期中任一个分析处理周期内驾驶员的眨眼次数进行统计时,均根据该分析处理周期的原始脑电波信号的信号值变化情况,调用眨眼次数统计模块且结合步骤204中计算得出的眨眼判断阈值ZJZ,对该分析处理周期内驾驶员的眨眼次数进行统计;并且,对该分析处理周期内驾驶员的眨眼次数进行统计时,当所提取原始脑电波信号的信号值大于ZJZ且持续时间大于t0时,说明驾驶员眨眼一次;其中,t0=0.3s~0.4s;
步骤206、第n+1个分析处理周期内所接收脑电波信号分析处理:对第n+1个分析处理周期内所接收的脑电波信号分析处理,包括以下步骤:
步骤2061、脑电波信号同步存储:对该分析处理周期内接收到的脑电信号获取装置(1)采集并预处理后的脑电波信号进行同步存储,所存储的脑电波信号为当前待处理脑电波信号;
步骤2062、原始脑电波信号提取:从步骤2061中所述当前待处理脑电波信号中提取出原始脑电波信号,所提取的原始脑电波信号为该分析处理周期的原始脑电波信号;
步骤2063、眨眼次数统计:按照步骤205中所述的眨眼次数统计方法,对该分析处理周期内驾驶员的眨眼次数进行统计;
步骤2064、眨眼频率确定:对此时驾驶员的眨眼频率P进行确定;
其中,眨眼频率P为驾驶员在一分钟内的眨眼次数且其为步骤2063中统计出的该分析处理周期内驾驶员的眨眼次数与该分析处理周期之前的9个分析处理周期内驾驶员的眨眼次数总和;
步骤2065、疲劳驾驶判断:调用阈值比较模块,对步骤2064中所述的眨眼频率P与P0进行差值比较:当眨眼频率P大于P0时,说明此时驾驶员处于疲劳驾驶状态,所述主控芯片(2-1)控制报警提示单元(2-5)进行报警提示;否则,说明此时驾驶员处于正常驾驶状态;
其中,P0为预先设定的眨眼疲劳判断阈值且P0=25~30;
步骤207、下一个分析处理周期内所接收脑电波信号分析处理:返回步骤2061,对下一个分析处理周期内所接收的脑电波信号进行分析处理。
2.按照权利要求1所述的一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征在于:步骤203中所述的n=9~15;步骤204中所述的Zf=150。
3.按照权利要求1或2所述的一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征在于:步骤2065中所述的P0=28。
4.按照权利要求1或2所述的一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征在于:步骤2065中当眨眼频率P大于P0时,所述主控芯片(2-1)控制报警提示单元(2-5)进行报警提示之前,还需调用多阈值比较判断模块,对步骤2061中该分析处理周期内任一秒接收到的脑电波信号进行分析处理;并根据分析处理结果对此时驾驶员的疲劳驾驶状态进行验证,过程如下:
步骤B1、特征信号提取:所述主控芯片(2-1)调用特征提取模块,从此时所处理脑电波信号中提取出7个特征信号;
步骤B2、特征量确定:所述主控芯片(2-1)将步骤B1中7个所述特征信号的信号值作为此时所处理脑电波信号的7个特征量;7个所述特征信号分别为原始脑电波、lowα波、highα波、lowβ波、highβ波、θ波和δ波信号,7个所述特征量分别为R、AL、AH、BL、BH、T和D;
步骤一中所述脑电信号获取装置(1)对驾驶员的脑电波信号进行采集及预处理时,所述原始脑电波的采样频率为512Hz,lowα波、highα波、lowβ波、highβ波、θ波和δ波的采样频率均为1Hz;7个所述特征信号中,所述原始脑电波信号的数量为512个,lowα波、highα波、lowβ波、highβ波、θ波和δ波信号的数量均为一个;
其中,R为从此时所处理脑电波信号中提取出的512个所述原始脑电波信号的信号值的平均值,AL为从此时所处理脑电波信号中提取出的lowα波信号的信号值,AH为从此时所处理脑电波信号中提取出的highα波信号的信号值,BL为从此时所处理脑电波信号中提取出的lowβ波信号的信号值,BH为从此时所处理脑电波信号中提取出的highβ波信号的信号值,T为从此时所处理脑电波信号中提取出的θ波信号的信号值,D为从此时所处理脑电波信号中提取出的δ波信号的信号值;
步骤B3、多阈值比较:所述主控芯片(2-1)根据预先确定的7组疲劳驾驶判断阈值且调用阈值比较模块,对步骤B2中确定的7个所述特征量分别进行阈值比较,并采用计数器对阈值比较结果进行记录;
所述计数器的初始计数值为0;
7组所述疲劳驾驶判断阈值分别为一组原始脑电波判断阈值、一组lowα波判断阈值、一组highα波判断阈值、一组lowβ波判断阈值、一组highβ波判断阈值、一组θ波判断阈值和一组δ波判断阈值;其中,所述原始脑电波判断阈值包括原始脑电波疲劳阈值RST和原始脑电波清醒阈值RWT,所述lowα波判断阈值包括lowα波疲劳阈值ALST和lowα波清醒阈值ALWT,所述highα波判断阈值包括highα波疲劳阈值AHST和highα波清醒阈值AHWT,所述lowβ波判断阈值包括lowβ波疲劳阈值BLST和lowβ波清醒阈值BLWT,所述highβ波判断阈值包括highβ波疲劳阈值BHST和highβ波清醒阈值BHWT,所述θ波判断阈值包括θ波疲劳阈值TST和θ波清醒阈值TWT,所述δ波判断阈值包括δ波疲劳阈值DST和δ波清醒阈值DWT;
对步骤B2中确定的7个所述特征量分别进行阈值比较时,所述主控芯片(2-1)调用阈值比较模块,对特征量R与一组原始脑电波判断阈值、特征量AL与一组lowα波判断阈值、特征量AH与一组highα波判断阈值、特征量BL与一组lowβ波判断阈值、特征量BH与一组highβ波判断阈值、特征量T与一组θ波判断阈值以及特征量D与一组δ波判断阈值分别进行阈值比较;
其中,对特征量R与一组原始脑电波判断阈值进行阈值比较时,先将特征量R与RST进行差值比较:当R<RST时,主控芯片(2-1)将此时所述计时器的计数值加5;否则,所述计时器的计数值不变;之后,将特征量R与RWT进行差值比较:当R>RWT时,主控芯片(2-1)将此时所述计时器的计数值减5;否则,所述计时器的计数值不变;
对特征量AL与一组lowα波判断阈值进行阈值比较时,先将特征量AL与ALST进行差值比较:当AL<ALST时,将此时所述计时器的计数值加1;否则,所述计时器的计数值不变;之后,将特征量AL与ALWT进行差值比较:当AL>ALWT时,将此时所述计时器的计数值减1;否则,所述计时器的计数值不变;
对特征量AH与一组highα波判断阈值进行阈值比较时,先将特征量AH与AHST进行差值比较:当AH<AHST时,将此时所述计时器的计数值加1;否则,所述计时器的计数值不变;之后,将特征量AH与AHWT进行差值比较:当AH>AHWT时,将此时所述计时器的计数值减1;否则,所述计时器的计数值不变;
对特征量BL与一组lowβ波判断阈值进行阈值比较时,先将特征量BL与BLST进行差值比较:当BL<BLST时,将此时所述计时器的计数值加2;否则,所述计时器的计数值不变;之后,将特征量BL与BLWT进行差值比较:当BL>BLWT时,将此时所述计时器的计数值减2;否则,所述计时器的计数值不变;
对特征量BH与一组highβ波判断阈值进行阈值比较时,先将特征量BH与BHST进行差值比较:当BH<BHST时,将此时所述计时器的计数值加2;否则,所述计时器的计数值不变;之后,将特征量BH与BHWT进行差值比较:当BH>BHWT时,将此时所述计时器的计数值减2;否则,所述计时器的计数值不变;
对特征量T与一组θ波判断阈值进行阈值比较时,先将特征量T与TST进行差值比较:当T<TST时,将此时所述计时器的计数值加1;否则,所述计时器的计数值不变;之后,将特征量T与TWT进行差值比较:当T>TWT时,将此时所述计时器的计数值减1;否则,所述计时器的计数值不变;
对特征量D与一组δ波判断阈值分别进行阈值比较时,先将特征量D与DST进行差值比较:当D<DST时,将此时所述计时器的计数值加6;否则,所述计时器的计数值不变;之后,将特征量D与DWT进行差值比较:当D>DWT时,将此时所述计时器的计数值减6;否则,所述计时器的计数值不变;
步骤B4、疲劳驾驶判断:所述主控芯片(2-1)根据步骤B3中多阈值比较完成后所述计数器的计数值,对此时驾驶员的疲劳驾驶状态进行判断:当此时所述计数器的计数值>N时,说明经验证此时驾驶员处于疲劳驾驶状态,所述主控芯片(2-1)控制报警提示单元(2-5)进行报警提示;否则,说明经验证此时驾驶员处于疲劳驾驶状态;
其中,N为正整数且N=52~58。
5.按照权利要求4所述的一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征在于:步骤二中进行脑电波信号分析处理之前,先采用主控芯片(2-1)对步骤B3中7组所述疲劳驾驶判断阈值进行确定;
对步骤B3中7组所述疲劳驾驶判断阈值进行确定时,先采用脑电信号获取装置(1)获取驾驶员P秒内的脑电波信号,再根据所获得的驾驶员P秒内的脑电波信号对7组所述疲劳驾驶判断阈值进行确定;其中,P为正整数且P=50~70;
根据所获得的驾驶员P秒内的脑电波信号对7组所述疲劳驾驶判断阈值进行确定时,包括以下步骤:
步骤B31、特征信号提取:先从所获得的驾驶员P秒内的脑电波信号中提取出512×P个原始脑电波信号、P个lowα波信号、P个highα波信号、P个lowβ波信号、P个highβ波信号、P个θ波信号和P个δ波信号,并对ALM、ALSD、AHM、AHSD、BLM、BLSD、BHM、BHSD、TM、TSD、DM和DSD分别进行计算;
其中RM和RSD分别为512×P个原始脑电波信号的信号值的平均值和标准差,ALM和ALSD分别为P个lowα波信号的信号值的平均值和标准差,AHM和AHSD分别为P个highα波信号的信号值的平均值和标准差,BLM和BLSD分别为P个lowβ波信号的信号值的平均值和标准差,BHM和BHSD分别为P个highβ波信号的信号值的平均值和标准差,TM和TSD分别为P个θ波信号的信号值的平均值和标准差,DM和DSD分别为P个δ波信号的信号值的平均值和标准差;
步骤B32、阈值计算:根据公式RST=rS1RM+rS2RSD(1)、RWT=rW1RM+rW2RSD(2)、ALST=aLS1ALM+aLS2ALSD(3)、ALWT=aLW1ALM+aLW2ALSD(4)、AHST=aHS1AHM+aHS2AHSD(5)、AHWT=aHW1AHM+aHW2AHSD(6)、BLST=bLS1BLM+bLS2BLSD(7)、BLWT=bLW1BLM+bLW2BLSD(8)、BHST=bHS1BHM+bHS2BHSD(9)、BHWT=bHW1BHM+bHW2BHSD(10)、TST=tS1TM+tS2TSD(11)、TWT=tW1TM+tW2TSD(12)、DST=dS1DM+dS2DSD(13)和DWT=dW1DM+dW2DSD(14),分别对RST、RWT、ALST、ALWT、AHST、AHWT、BLST、BLWT、BHST、BHWT、TST、TWT、DST和DWT进行计算;
公式(1)中,rS1和rS2为RST的两个加权系数,0<rS1≤6,-3≤rS2<0;
公式(2)中,rW1和rW2为RWT的两个加权系数,0<rW1≤6,-3≤rW2<0;
公式(3)中,aLS1和aLS2为ALST的两个加权系数,0<aLS1≤1,-1≤aLS2<0;
公式(4)中,aLW1和aLW2为ALWT的两个加权系数,0<aLW1≤1,-1≤aLW2<0;
公式(5)中,aHS1和aHS2为AHST的两个加权系数,0<aHS1≤1,-1≤aHS2<0;
公式(6)中,aHW1和aHW2为AHWT的两个加权系数,0<aHW1≤1,-1≤aHW2<0;
公式(7)中,bLS1和bLS2为BLST的两个加权系数,0<bLS1≤1,-1≤bLS2<0;
公式(8)中,bLW1和bLW2为BLWT的两个加权系数,0<bLW1≤1,-1≤bLW2<0;
公式(9)中,bHS1和bHS2为BHST的两个加权系数,0<bHS1≤1,-1≤bHS2<0;
公式(10)中,bHW1和bHW2为BHWT的两个加权系数,0<bHW1≤1,-1≤bHW2<0;
公式(11)中,tS1和tS2为TST的两个加权系数,0<tS1≤1,-1≤tS2<0;
公式(12)中,tW1和tW2为TWT的两个加权系数,0<tW1≤1,-1≤tW2<0;
公式(13)中,dS1和dS2为DST的两个加权系数,0<dS1≤1,-1≤dS2<0;
公式(14)中,dW1和dW2为DWT的两个加权系数,0<dW1≤1,-1≤dW2<0。
6.按照权利要求4所述的一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征在于:步骤二中进行脑电波信号分析处理之前,先对步骤B3中7组所述疲劳驾驶判断阈值进行确定;
对步骤B3中7组所述疲劳驾驶判断阈值进行确定时,先采用脑电信号获取装置(1)对驾驶员从非睡眠状态进入睡眠状态时和从非清醒状态进入清醒状态时的脑电波信号分别进行采集及预处理;其中,RST、ALST、AHST、BLST、BHST、TST和DST分别为驾驶员从非睡眠状态进入睡眠状态时脑电信号获取装置(1)所输出脑电波信号中原始脑电波、lowα波、highα波、lowβ波、highβ波、θ波和δ波信号的信号值,RWT、ALWT、AHWT、BLWT、BHWT、TWT和DWT分别为驾驶员从非清醒状态进入清醒状态时脑电信号获取装置(1)所输出脑电波信号中原始脑电波、lowα波、highα波、lowβ波、highβ波、θ波和δ波信号的信号值。
7.按照权利要求1或2所述的一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征在于:步骤一中所述脑电信号监测装置(2)还包括与主控芯片(2-1)相接的第三无线通信模块(2-3);所述主控芯片(2-1)通过第三无线通信模块(2-3)与上位机(4)进行通信;
步骤B4中当此时所述计数器的计数值>N时,所述主控芯片(2-1)通过第三无线通信模块(2-3)将驾驶员的疲劳驾驶状态同步传送至上位机(4)。
8.按照权利要求1或2所述的一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征在于:所述脑电信号预处理装置(1-2)为美国NeuroSky公司研发的TGAM芯片;所述第一脑电电极(1-11)的输出端接TGAM芯片的EEG引脚,第二脑电电极(1-12)的输出端接TGAM芯片的REF引脚,第三脑电电极(1-13)的输出端接TGAM芯片的EEG_GND引脚。
9.按照权利要求1或2所述的一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征在于:步骤一中所述主控芯片(2-1)为Arduino控制器;所述第一无线通信模块(3)和第二无线通信模块(2-2)均为蓝牙无线通信模块;所述第三无线通信模块(2-3)为GPRS无线通信模块。
10.按照权利要求1或2所述的一种基于眨眼频率识别的疲劳驾驶脑电监测方法,其特征在于:步骤一中所述第一脑电电极(1-11)放置在按照10─20***电极放置法确定的驾驶员的左额极上,所述第二脑电电极(1-12)和第三脑电电极(1-13)均放置在按照10─20***电极放置法确定的驾驶员的左颞中上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510492555.7A CN105054951B (zh) | 2015-08-11 | 2015-08-11 | 一种基于眨眼频率识别的疲劳驾驶脑电监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510492555.7A CN105054951B (zh) | 2015-08-11 | 2015-08-11 | 一种基于眨眼频率识别的疲劳驾驶脑电监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105054951A true CN105054951A (zh) | 2015-11-18 |
CN105054951B CN105054951B (zh) | 2019-05-31 |
Family
ID=54484652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510492555.7A Expired - Fee Related CN105054951B (zh) | 2015-08-11 | 2015-08-11 | 一种基于眨眼频率识别的疲劳驾驶脑电监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105054951B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105249961A (zh) * | 2015-11-02 | 2016-01-20 | 东南大学 | 基于蓝牙脑电耳机的实时驾驶疲劳检测***及检测方法 |
CN106408876A (zh) * | 2016-09-20 | 2017-02-15 | 浙江理工大学 | 一种基于柔性电子皮肤的疲劳驾驶监测***及监测方法 |
CN106446830A (zh) * | 2016-09-21 | 2017-02-22 | 广州视源电子科技股份有限公司 | 智能辅助睡眠中的催眠状态识别方法和*** |
CN107440714A (zh) * | 2017-09-07 | 2017-12-08 | 哈尔滨理工大学 | 一种专注度及眨眼动作提取装置及方法 |
CN108628007A (zh) * | 2018-05-04 | 2018-10-09 | 杭州镜之镜科技有限公司 | 近视防控眼镜及镜腿 |
CN108697363A (zh) * | 2016-02-25 | 2018-10-23 | 三星电子株式会社 | 用于检测心脏变时功能不全的装置和方法 |
CN109464152A (zh) * | 2019-01-09 | 2019-03-15 | 浙江强脑科技有限公司 | 脑部疲劳状态的检测方法、设备及计算机可读存储介质 |
CN109835331A (zh) * | 2017-11-28 | 2019-06-04 | 现代自动车株式会社 | 用于调整车辆的驾驶控制权限的方法及*** |
CN109840510A (zh) * | 2019-02-25 | 2019-06-04 | 西安闻泰电子科技有限公司 | 疲劳驾驶的监控方法、装置、存储介质及电子设备 |
CN110502102A (zh) * | 2019-05-29 | 2019-11-26 | 中国人民解放军军事科学院军事医学研究院 | 基于疲劳监测预警的虚拟现实交互方法 |
CN112450933A (zh) * | 2020-11-10 | 2021-03-09 | 东北电力大学 | 一种基于人体多类特征的驾驶疲劳监测方法 |
CN113080971A (zh) * | 2021-04-12 | 2021-07-09 | 北京交通大学 | 一种通过检测眨眼信号判断疲劳状态的方法和*** |
CN116671900A (zh) * | 2023-05-17 | 2023-09-01 | 安徽理工大学 | 一种基于脑波仪的眨眼识别与控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6070098A (en) * | 1997-01-11 | 2000-05-30 | Circadian Technologies, Inc. | Method of and apparatus for evaluation and mitigation of microsleep events |
-
2015
- 2015-08-11 CN CN201510492555.7A patent/CN105054951B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6070098A (en) * | 1997-01-11 | 2000-05-30 | Circadian Technologies, Inc. | Method of and apparatus for evaluation and mitigation of microsleep events |
Non-Patent Citations (3)
Title |
---|
BIRGITTA THORSLUND: "Electrooculogram Analysis and Development of a System for Defining Stages of Drowsiness", 《PUBLICATION OF SWEDISH NATIONAL ROAD & TRANSPORT RESEARCH INSTITUTE》 * |
T. NGUYEN1,ETC: "A Mean Threshold Algorithm for Human Eye Blinking Detection Using EEG", 《4TH INTERNATIONAL CONFERENCE ON BIOMEDICAL ENGINEERING IN VIETNAM, IFMBE PROCEEDINGS》 * |
YI ZHENG: "Alarm Device for Fatigue Driving Based on TGAM Module", 《2014 ASIA-PACIFIC COMPUTER SCIENCE AND APPLICATION CONFERENCE》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105249961A (zh) * | 2015-11-02 | 2016-01-20 | 东南大学 | 基于蓝牙脑电耳机的实时驾驶疲劳检测***及检测方法 |
CN108697363B (zh) * | 2016-02-25 | 2021-07-02 | 三星电子株式会社 | 用于检测心脏变时功能不全的装置和方法 |
CN108697363A (zh) * | 2016-02-25 | 2018-10-23 | 三星电子株式会社 | 用于检测心脏变时功能不全的装置和方法 |
CN106408876A (zh) * | 2016-09-20 | 2017-02-15 | 浙江理工大学 | 一种基于柔性电子皮肤的疲劳驾驶监测***及监测方法 |
CN106446830B (zh) * | 2016-09-21 | 2019-06-11 | 广州视源电子科技股份有限公司 | 智能辅助睡眠中的催眠状态识别方法和*** |
CN106446830A (zh) * | 2016-09-21 | 2017-02-22 | 广州视源电子科技股份有限公司 | 智能辅助睡眠中的催眠状态识别方法和*** |
CN107440714A (zh) * | 2017-09-07 | 2017-12-08 | 哈尔滨理工大学 | 一种专注度及眨眼动作提取装置及方法 |
CN109835331A (zh) * | 2017-11-28 | 2019-06-04 | 现代自动车株式会社 | 用于调整车辆的驾驶控制权限的方法及*** |
CN108628007B (zh) * | 2018-05-04 | 2019-11-05 | 杭州镜之镜科技有限公司 | 近视防控眼镜及镜腿 |
CN108628007A (zh) * | 2018-05-04 | 2018-10-09 | 杭州镜之镜科技有限公司 | 近视防控眼镜及镜腿 |
CN109464152A (zh) * | 2019-01-09 | 2019-03-15 | 浙江强脑科技有限公司 | 脑部疲劳状态的检测方法、设备及计算机可读存储介质 |
CN109464152B (zh) * | 2019-01-09 | 2021-11-26 | 浙江强脑科技有限公司 | 脑部疲劳状态的检测方法、设备及计算机可读存储介质 |
CN109840510A (zh) * | 2019-02-25 | 2019-06-04 | 西安闻泰电子科技有限公司 | 疲劳驾驶的监控方法、装置、存储介质及电子设备 |
CN110502102A (zh) * | 2019-05-29 | 2019-11-26 | 中国人民解放军军事科学院军事医学研究院 | 基于疲劳监测预警的虚拟现实交互方法 |
CN110502102B (zh) * | 2019-05-29 | 2020-05-12 | 中国人民解放军军事科学院军事医学研究院 | 基于疲劳监测预警的虚拟现实交互方法 |
CN112450933A (zh) * | 2020-11-10 | 2021-03-09 | 东北电力大学 | 一种基于人体多类特征的驾驶疲劳监测方法 |
CN112450933B (zh) * | 2020-11-10 | 2022-09-20 | 东北电力大学 | 一种基于人体多类特征的驾驶疲劳监测方法 |
CN113080971A (zh) * | 2021-04-12 | 2021-07-09 | 北京交通大学 | 一种通过检测眨眼信号判断疲劳状态的方法和*** |
CN116671900A (zh) * | 2023-05-17 | 2023-09-01 | 安徽理工大学 | 一种基于脑波仪的眨眼识别与控制方法 |
CN116671900B (zh) * | 2023-05-17 | 2024-03-19 | 安徽理工大学 | 一种基于脑波仪的眨眼识别与控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105054951B (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105054951A (zh) | 一种基于眨眼频率识别的疲劳驾驶脑电监测方法 | |
CN105011932A (zh) | 一种基于冥想度与专注度的疲劳驾驶脑电监测方法 | |
CN105105773B (zh) | 一种基于多阈值比较的疲劳驾驶脑电监测方法 | |
CN105615878B (zh) | 一种疲劳驾驶脑电监测方法 | |
CN104146722B (zh) | 一种基于头部信号的驾驶疲劳检测分级预警方法 | |
CN105595996A (zh) | 一种眼电与脑电综合判定的疲劳驾驶脑电监测方法 | |
CN103111020B (zh) | 一种基于穴位电刺激的驾驶疲劳的检测缓解***及方法 | |
CN108765876A (zh) | 基于多模信号的驾驶疲劳深度分析预警***及方法 | |
CN103399639B (zh) | 基于ssvep和p300联合脑机接口方法及装置 | |
CN103021134A (zh) | 汽车疲劳驾驶监测报警装置 | |
CN102274032A (zh) | 一种基于脑电信号的驾驶员疲劳检测*** | |
CN105595997A (zh) | 一种基于台阶式疲劳判定的疲劳驾驶脑电监测方法 | |
CN110013249A (zh) | 一种便携式可调式的头戴癫痫监测仪 | |
CN104461007A (zh) | 一种基于脑电信号的驾驶员辅助人车交互*** | |
CN109953763A (zh) | 一种基于深度学习的车载驾驶行为检测预警***及方法 | |
CN111631697A (zh) | 智能睡眠和疲劳状态信息监护控制***及方法、监护仪 | |
CN110367975A (zh) | 一种基于脑机接口的疲劳驾驶检测预警方法 | |
CN101159086A (zh) | 基于脑电信息检波的呼叫装置 | |
CN105249961A (zh) | 基于蓝牙脑电耳机的实时驾驶疲劳检测***及检测方法 | |
CN204833608U (zh) | 基于脑机接口的驾驶员疲劳监测装置 | |
CN105011951A (zh) | 一种用脑电波提取眼睛眨动次数的装置及方法 | |
CN103505224A (zh) | 基于生理信息分析的疲劳驾驶远程监测与报警***和方法 | |
CN106913333B (zh) | 一种持续性注意水平的敏感性特征指标的选取方法 | |
CN109717866A (zh) | 一种基于脑电信号的意识障碍诊断方法 | |
CN103892797B (zh) | 一种用于睡眠结构分析的信号处理方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190531 |