CN112426162A - 一种基于脑电信号节律熵的疲劳检测方法 - Google Patents

Abstract

本发明属于计算机智能信息处理领域，涉及一种基于脑电信号节律熵的疲劳检测方法；所述检测方法包括采集脑电信号，并对所述脑电信号进行预处理；将预处理后的脑电信号分段，并利用小波分解提取出前额叶电极中β，θ和α频段的节律；计算出β，θ和α频段的节律熵；将所述节律熵输入到分类器中，输出所述脑电信号的疲劳分类状态；本发明利用脑电信号(EEG)节律与脑力疲劳高度相关的特点，采用节律熵的方式能够更为准确的反应脑力疲劳程度，对清醒，轻度疲劳，重度疲劳三种脑力疲劳状态进行检测，显著提高了检测正确率。

Description

一种基于脑电信号节律熵的疲劳检测方法

技术领域

本发明属于计算机智能信息处理领域，涉及EEG(脑电信号)的特征选择和分类方法的研究，具体涉及一种基于脑电信号节律熵的疲劳检测方法。

背景技术

脑机接口技术(Brain Computer Interface，简称BCI)是成立于上个世纪70年代的技术，它是指人或者动物与外部设备建立连接，从而使得人和机器可以共存。人的大脑是一个高度复杂信息处理***，它由数十亿的神经元通过相互连接来进行信息交流，以整体协调方式来完成各种各样的认知任务。在人类进化过程中，科学家发现，当人的大脑在进行思维活动、产生意识或受到外界的刺激(如视觉、听觉等)时，伴随其神经***运行的会有一系列电活动，从而产生脑电信号(electroencephalo-graph，简称EEG)。

EEG是一种动态和非线性信号，被广泛用于医学研究。到目前为止，已经使用了多种类型的人类线索来进行脑力疲劳检测，包括面部表情，语音信号以及一些生理指标，例如脑电图(EEG)数据和皮肤抵抗力。然而，诸如面部表情之类的非生理来源因不同的生活习惯和文化背景而异，因此可能在一定程度上不可靠。此外，温度和湿度会影响一些生理指标，例如抗皮肤病性。经考虑，脑电信号是其中的主要来源，其中包含大量工作大脑的生理信息。由于其良好的时间分辨率和信息丰富性，它可以真实反映人体的病理和心理状态。此外，随着可穿戴式EEG设备和干电极技术的快速发展，各种任务可以通过EEG在线***轻松实现，并有望用于实际应用。基于这些基础，本发明专注于基于连续记录多通道EEG信号的脑力疲劳评估。

近年来，许多学者比较了驾驶员疲劳性脑电图和正常脑电图之间的差异，并将其成功地应用于疲劳驾驶检测中。他们使用不同的方法来分析EEG信号，例如基于时域的波形特征点方法，基于频域的功率谱方法，基于时频的小波变换或傅里叶变换方法和基于信号熵的非线性分析方法。Gharagozlou等人分析了部分睡眠不足的驾驶员在执行模拟驾驶任务时的脑电图阿尔法功率变化，发现阿尔法功率的变化可能是驾驶员精神疲劳的良好指标。瓦利等人使用离散小波变换(DWT)分析大脑的信号，获得了79％的最佳平均准确度。Dkhil等人依靠快速傅里叶变换(FFT)的方法计算了脑电信号的频带功率，该方法提高了驾驶员在睡意阶段的评估算法的性能。Chai等人通过独立的主成分分析(ICA)从32个电极数据中选择了16个进行处理，最后通过提取功率谱密度(PSD)获得了75.5％的驾驶疲劳识别率。

目前较为常用的作为检测脑力疲劳的特征是从5个频段(δ[1-3Hz]，θ[5-8Hz]，α[9-12Hz]，β[14-31Hz]和γ[33-42Hz])和2个扩展频带(γ1[33-57Hz]和γ2[63-99Hz])中提取的功率谱密度(power spectral density,简称PSD)特征。利用EMD将信号分解为IMF集合，其中包含有用的信息和噪声数据。事件相关电位和事件相关同步/去同步(ERS/ERD)也广泛用于对EEG信号进行分类。

PSD是一种非常实用的分类特征，是指用密度的概念表示信号功率在各频率点的分布情况，是对随机变量均方值的量度，是单位频率的平均功率量纲。ERP是一种特殊的脑诱发电位，通过有意地赋予刺激以特殊的心理意义，利用多个或多样的刺激所引起的脑的电位。它反映了认知过程中大脑的神经电生理的变化，也被称为认知电位，也就是指当人们对某课题进行认知加工时，从头颅表面记录到的脑电位。

虽然PSD和ERP这两项特征作为手工设计特征并广泛应用于脑力疲劳检测，但是其检测正确率还有待提高。所以，提高基于真实场景的脑力疲劳检测率是急需解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于脑电信号节律熵的疲劳检测方法，有大量的脑电图研究表明，β，θ和α活动与疲劳或不良的工作表现高度相关，其利用脑电信号(EEG)节律与脑力疲劳高度相关的特点，利用小波包分解提取其前额叶fp1电极中的θ和β节律并计算其熵值，作为特征输入SVM，随机森林两种不同的分类器中，对清醒，轻度疲劳，重度疲劳三种脑力疲劳状态进行检测，显著提高了检测正确率。

为了达到上述目的，本发明一种基于脑电信号节律熵的疲劳检测方法包括以下步骤：

采集脑电信号，并对所述脑电信号进行预处理；

将预处理后的脑电信号分段，并利用小波分解提取出前额叶电极中β，θ和α频段的节律；

计算出β，θ和α频段的节律熵；

将所述节律熵输入到分类器中，输出所述脑电信号的疲劳分类状态。

进一步的，所述预处理的方法包括通过带通滤波器对所述脑电信号进行滤波，并去除直流分量和高频噪声；对滤波后的脑电信号采用基线校正和伪迹处理。

进一步的，所述计算出β，θ和α频段的节律熵包括分别对β，θ和α频段三种节律皮层活动的中每个样本点进行能量计算；通过能量熵的计算公式求得β，θ和α频段的节律熵。

更进一步的，所述能量熵的计算公式表示为：

其中，P_i表示三种频段节律皮层活动所归一化后的能量；Power_i表示第i种频段节律皮层活动的能量；S(t)表示估计的皮层活动，m表示样本点的数量。

进一步的，所述分类器选择SVM或者随机森林。

当选择所述支持向量机时，对节律熵的训练数据进行交叉验证，采用网络搜索选择出正则化罚分参数和RBF核标准偏差的倒数组成的SVM超参数对所述支持向量机进行训练，并输出节律熵的最终分类结果。

当选择所述随机森林时，对节律熵的训练数据进行有放回的自助抽样，即每个子训练集都是从原始的节律熵的训练集中的各个节律熵中有放回地抽取出；形成每个子训练集所对应的二叉树，直至输出节律熵的最终分类结果。

本发明的有益效果：

本发明采用节律熵的方式替代了传统方式中的功率频谱熵、排列熵等，利用脑电信号(EEG)节律与脑力疲劳高度相关的特点，采用节律熵的方式能够更为准确的反应脑力疲劳程度，对清醒，轻度疲劳，重度疲劳三种脑力疲劳状态进行检测，显著提高了检测正确率。这对于脑力疲劳的检测具有很大帮助，通过较高的检测正确率可以起到有效提醒的作用，从而减少疲劳驾驶，猝死等生活中由于脑力疲劳而带来的危害。

附图说明

为了使本发明的目的、技术方案和效果更佳清楚，本发明提供如下附图进行详细说明：

图1为本发明实施例中脑电信号的疲劳检测流程图；

图2为本发明所采用的国际10-20通道的电极位置示意图；

图3为本发明实施例中实验范式流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合说明书和附图对本发明一种基于脑电信号节律熵的疲劳检测方法进行说明。

图1是本发明的一种基于脑电信号节律熵的疲劳检测方法的流程如图，如图1所示，检测流程包括：

S1、采集脑电信号，并对所述脑电信号进行预处理；

为了采集脑电信号，首先需要设计相应的实验，通过实验范式对被试进行刺激，使用户逐渐进入疲劳状态，并采集用户脑电数据以及让被试填写量表对被试的疲劳状态进行评估。通过脑电信号采集***记录了16通道的脑电图数据，其位置基于国际标准10-20***的电极，电极位置分布如图2所示。

本实施例中采集了多名受试者参加了脑力疲劳评估实验。所有受试者均符合正常或矫正视力的纳入标准。他们没有任何可能引起疲劳或焦虑的疾病，被要求戒除咖啡因和酒精，并且至少需要两天每晚至少有8小时的常规睡眠时间。

让受试者参加不同难度级别的任务，以诱导不同的脑力疲劳程度。本实施例使用n-back算术任务作为探索脑力疲劳评估的示例，所有受试者都应该参加这个任务。

n-back任务：如图3所示，在执行空间n-back任务时，被试者应将注意力集中在计算机的屏幕上，该屏幕在屏幕中心位置显示一个白色的十字星。在一个trial(测试)中，该十字星显示在屏幕上0.5秒钟，出现一个十以内的加减法，然后消失2秒钟，然后移动到下一个十字星，显示另一个算式。如果当前trial与前一个trial结果相匹配，则要求被试立即用惯用的手按键盘上的“J”键，否则按“F”键。在空间0-、1-和2-back任务中，分别将目标定义为当前trial的算式与前面第一，第二和第三次trial中算式的结果相同。随着更多的n-back,任务难度也随之增加，因为必须记住并分析更多的位置信息。本发明实施例采用0-back，1-back和2-back任务，以确保由这两个任务引起的精神工作量水平是可区分的。

每个任务做两次之后，进行疲劳状态的评估，评估被试的疲劳程度，然后进入下一个任务。

本发明实施例中脑电采集的电极安放采用国际标准的10-20***，利用放大器记录Fp1,Fp2,F7,F3,F4,F8,T3,C3,C4,T4,T5,P3,P4,T6,O1和O2这16个电极通道。

采集完脑电信号后，需要对数据进行预处理，预处理包括为了降低眼电信号对脑电信号的干扰，要对眼电信号进行去除。通过带通滤波器对脑电信号进行滤波来去除直流分量和高频噪声，并且需要进行基线校正和伪迹处理。为了降低计算复杂度，同时也需要降低采样率。

具体的，所采用的带通滤波器可以为0.5Hz-40Hz，从而去除直流分量和高频噪声；所采用的基线校正是为了基线漂移所带来的影响；为了去除眼电信号的伪迹，本发明采用ICA方法来祛除眼电信号，其中ICA是指独立成分分析，需要计算各ICs分量与原水平、垂直眼电信号相关性，将眼电噪声的ics置零后重建成没有眼电信号的脑电信号。为了降低计算复杂度，同时也需要降低采样率。本实施例将数据采集时的1000Hz降到256Hz，从而降低计算复杂度。

S2、将预处理后的脑电信号分段，并利用小波分解提取出前额叶电极中β，θ和α频段的节律；

将预处理后的脑电信号进行分段，每个脑电信号记录都分为80个trial，尽管在某些trial中被试未做出正确响应，但所有trial(包括错误的响应)都用于生成数据集，因为完整的数据可以使算法不论被试响应是否正确，都能尽快评估脑力疲劳程度。

本实施例为了更好的提高不同脑力疲劳水平的检测成功率，用于疲劳状态判别的电极采用前额叶的Fp1,和Fp2电极。使用小波包分解(WPT)将两个通道的β，θ和α频段的节律提取出来。小波包变换同时对低频段和高频段进行分解，因此通过一组高通滤波器和一组低通滤波器组合成正交滤波器，可以提取原始信号的任意频段。

其中小波包分解的计算过程如下：给定正交尺度函数Φ(t)和小波函数Ψ(t)，其与尺度的关系为：

其中，h_0k和h_1k仍是多分辨率分析中滤波器的系数。

递推关系如下：

当n＝0时，w₀(t)＝Φ(t),w₁(t)＝Ψ(t)，以上定义的函数集合{w_n(t)}为由w₀(t)＝Φ(t)所确定的小波包。设x(n)，n＝0,1,2，……为一离散信号，当信号这种有目的的树状结构便为小波包分解，使得原始信号得到必要的时频分解，再选定特定频率进行重构，得到所需频段信号。

S3、计算出β，θ和α频段的节律熵；

对三种节律皮层活动的每个trial进行能量计算：

其中，S(t)表示估计的皮层活动，m表示样本点的数量，节律熵通过下面的公式计算：

其中。iEn表示节律熵；P_i(i＝1,2,3)表示第i种频段节律皮层活动所归一化的能量，其值通过除以三种频段能量的总和得到，即：

其中，Power_i表示第i种频段节律皮层活动的能量。

通过上述公式，可以得出每个频段的节律熵，这种方式相对于传统的功率谱密度，不仅计算复杂度低，并且节律熵能够更加准确的反应脑电信号的特性。

S4、将所述节律熵输入到分类器中，输出所述脑电信号的疲劳分类状态。

在本过程中，本发明可以将节律熵划分出一定的训练集和测试集，利用训练集训练所述分类器的参数，使得训练完成后的分类器能够准确的检测出待测脑电信号的疲劳分类状态。

在一个实施例中，以支持向量机作为分类器为例，对节律熵的训练数据进行交叉验证，采用网络搜索选择出正则化罚分参数(C)和RBF核标准偏差的倒数(γ＝1/σ)组成的SVM超参数。γ＝({0.1，0.2，...，1，2，...，10})；并输出节律熵的最终分类结果。

在另一个实施例中，以随机森林作为分类器为例，对节律熵的训练数据进行有放回的自助抽样，即每个子训练集都是从原始的节律熵的训练集中的各个节律熵中有放回地抽取出；形成每个子训练集所对应的二叉树，直至输出节律熵的最终分类结果。随机森林是一种由一组独立的随机决策树组成的集成方法。每棵树都是使用随机选择的特征子集来生长的。对于每个输入，将计算所有树的输出，并选择具有多数投票的类别。在{5，10，20，50，100，500，1000}的集合内，随机森林的估算器数量有所不同。

在一个具体的实施例中，本实施例的特征提取中，选择了Fp1和Fp2两个电极。利用了两个分类器进行性能评估，采用了8个受试者的脑电信号对本方法进行了测试，为了检测本发明与现有技术的效果区别，本实施例同时对功率谱密度作为特征输入分类器与节律熵进行检测效率对比，功率谱密度计算如下：

功率谱密度S(f)是一个以频率f为自变量的映射，S(f)反映了在频率成分f上信号有多少功率。假定一个随机过程X(t)，并定义一个截断阈值t₀，随机过程X的截断过程X_to(t)，则该随机过程的能量可定义为：

对能量函数求导，就可以获得平均功率：

通过推导最终可得到：

通过这种定义方式，函数S(f)可以表征每一个最小极限单位的频率分量所拥有的功率大小，因此把S(f)称为功率谱密度。

其中，分类器对于PSD以及节律熵作为特征输入的评估如表1：

表1：各被试不同特征对应不同分类器的分类正确率：

从表1可以看出，常规技术中采用功率谱密度PSD结合支持向量机SVM或者随机森林RF的正确率要低于本发明中采用节律熵RE结合支持向量机SVM或者随机森林RF的正确率；采用本方法中的节律熵作为特征输入具有良好的脑力疲劳检测效果，可以对目标的脑力疲劳程度进行有效识别，实现高效率对目标脑力疲劳的检测。而且节律熵作为特征输入检测正确率显著好于功率谱密度作为特征输入，而随机森林作为分类器效果优于SVM分类器。

综上实例表明，本发明采用节律熵的方式替代了传统方式中的功率频谱熵、排列熵等，利用脑电信号(EEG)节律与脑力疲劳高度相关的特点，采用节律熵的方式能够更为准确的反应脑力疲劳程度，对清醒，轻度疲劳，重度疲劳三种脑力疲劳状态进行检测，显著提高了检测正确率。不仅是有效的，而且对比现有的功率谱密度特征具有明显的优势。

在本发明的描述中，需要理解的是，术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“外”、“前部”、“中央”、“两端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种基于脑电信号节律熵的疲劳检测方法，其特征在于，所述疲劳检测方法包括以下步骤：

采集脑电信号，并对所述脑电信号进行预处理；

将预处理后的脑电信号分段，并利用小波分解提取出前额叶电极中β，θ和α频段的节律；

计算出β，θ和α频段的节律熵；

将所述节律熵输入到分类器中，输出所述脑电信号的疲劳分类状态。

2.根据权利要求1所述的一种基于脑电信号节律熵的疲劳检测方法，其特征在于，所述预处理的方法包括通过带通滤波器对所述脑电信号进行滤波，并去除直流分量和高频噪声；对滤波后的脑电信号采用基线校正和伪迹处理。

3.根据权利要求1所述的一种基于脑电信号节律熵的疲劳检测方法，其特征在于，所述计算出β，θ和α频段的节律熵包括分别对β，θ和α频段三种节律皮层活动的中每个样本点进行能量计算；通过能量熵的计算公式求得β，θ和α频段的节律熵。

4.根据权利要求3所述的一种基于脑电信号节律熵的疲劳检测方法，其特征在于，所述能量熵的计算公式表示为：

其中，iEn表示节律熵；P_i表示第i种频段节律皮层活动所归一化后的能量；Power_i表示第i种频段节律皮层活动的能量；S(t)表示估计的皮层活动，m表示样本点的数量。

5.根据权利要求1所述的一种基于脑电信号节律熵的疲劳检测方法，其特征在于，所述分类器包括支持向量机SVM或者随机森林。

6.根据权利要求5所述的一种基于脑电信号节律熵的疲劳检测方法，其特征在于，采用所述支持向量机时，对节律熵的训练数据进行交叉验证，采用网络搜索选择出正则化罚分参数和RBF核标准偏差的倒数组成的SVM超参数对所述支持向量机进行训练，并输出节律熵的最终分类结果。

7.根据权利要求5所述的一种基于脑电信号节律熵的疲劳检测方法，其特征在于，采用所述随机森林时，对节律熵的训练数据进行有放回的自助抽样，即每个子训练集都是从原始的节律熵的训练集中的各个节律熵中有放回地抽取出；形成每个子训练集所对应的二叉树，直至输出节律熵的最终分类结果。

Images