CN113180705A - 一种基于eeg脑波的疲劳检测方法、*** - Google Patents

一种基于eeg脑波的疲劳检测方法、*** Download PDF

Info

Publication number
CN113180705A
CN113180705A CN202110371862.5A CN202110371862A CN113180705A CN 113180705 A CN113180705 A CN 113180705A CN 202110371862 A CN202110371862 A CN 202110371862A CN 113180705 A CN113180705 A CN 113180705A
Authority
CN
China
Prior art keywords
eeg
signal
detection method
fatigue
user
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
Application number
CN202110371862.5A
Other languages
English (en)
Inventor
马鹏程
卢树强
王晓岸
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Brain Up Technology Co ltd
Original Assignee
Beijing Brain Up Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Brain Up Technology Co ltd filed Critical Beijing Brain Up Technology Co ltd
Priority to CN202110371862.5A priority Critical patent/CN113180705A/zh
Publication of CN113180705A publication Critical patent/CN113180705A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (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EEG脑波的疲劳检测方法及***，该方法包括EEG信号采集设备采集用户的脑电信号，对脑电信号进行滤波处理后传输到数据分析***；数据分析***根据任务需要，提取脑电信号的特征，传输至判断识别***；判断识别***通过K‑最近邻分类算法识别用户疲劳状态。该方法实现对脑波疲劳状态检测的智能化，提高了检测准确率，降低检测时间，拓宽了检测的应用场景。

Description

一种基于EEG脑波的疲劳检测方法、***
技术领域
本发明涉及EEG信号识别技术领域，特别是涉及一种基于EEG脑波的疲劳检测方法、***。
背景技术
目前市场上常用的疲劳检测方法是用户通过摄像头捕捉人的眨眼图像，通过分析眨眼次数和眨眼时长，检测是否疲劳。这种方式需用户盯着摄像头，捕捉眨眼图像，操作繁琐，效率低下，且误差也较大，人工进行疲劳检测，耗时长，效率低，应用场景受到限制。
因此，如何提高识别效率和识别准确率是亟待解决的问题。
发明内容
本发明的目的是提供一种基于EEG脑波的疲劳检测方法、***，以实现智能化分析脑电信号从而判断疲劳状态，提高识别准确率，降低识别时间，提高识别效率。
为解决上述技术问题，本发明提供一种基于EEG脑波的疲劳检测方法，包括：
EEG信号采集设备采集用户的脑电信号，对脑电信号进行滤波处理后传输到数据分析***；
数据分析***根据任务需要，提取脑电信号的特征，传输至判断识别***；
判断识别***通过K-最近邻分类算法识别用户疲劳状态。
优选的，所述滤波处理包括工频滤波和带通滤波。
优选的，所述对脑电信号进行预处理之后，还包括对脑电信号进行数据归一化操作。
优选的，所述脑电信号的特征包括脑电信号的时域特征、频域特征、时频特征。
优选的，所述时域特征包括均值、方差和一阶差分特征。
优选的，所述频域特征为脑电信号在不同频带的功率能量值。
优选的，采用短时傅里叶变换STFT和小波变换方法计算脑电信号的时频特征。
优选的，所述K-最近邻法分类算法用于训练算法模型，通过计算未知样本与K个临近的已知样本的距离，计算得出得票数最多的已知样本的类别作为未知样本的类别，从而识别出用户疲劳状态。
本发明还提供一种基于EEG脑波的疲劳检测***，用于实现上述方法，包括：
EEG信号采集设备，用于采集用户的脑电信号，对脑电信号进行滤波处理后传输到数据分析***；
数据分析***，用于根据任务需要，提取脑电信号的特征，传输至判断识别***；
判断识别***，用于通过K-最近邻分类算法识别用户疲劳状态。
本发明所提供的一种基于EEG脑波的疲劳检测方法、***，通过EEG信号采集设备采集用户前额电极脑电信号，提取出特征值，计算出不同频带的功率值从而通过算法模型自动检测疲劳状态。本发明可以实时获取人的疲劳状态，并及时做出判断，提升了分析的效率和准确性，且拓宽了检测的应用场景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明所提供的一种基于EEG脑波的疲劳检测方法的具体实施流程图；
图2为静息非疲劳状态下的EEG波形图；
图3为疲劳状态下EEG波形图；
图4为本发明所提供的静息状态下EEG信号频率能量分布示意图；
图5为本发明所提供的疲劳状态下EEG信号频率能量分布示意图；
图6为本发明所提供的一种基于EEG脑波的疲劳检测***的结构示意图。
具体实施方式
本发明的核心是提供一种基于EEG脑波的疲劳检测方法、***，以实现智能化分析脑电信号从而判断疲劳状态，提高识别准确率，降低识别时间，提高识别效率。
为了使本技术领域的人员更好地理解本发明方案，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。
请参考图1，图1为本发明所提供的一种基于EEG脑波的疲劳检测方法的具体实施流程图。该方法中获取脑电信号步骤中，本实施例所采用的设备优选为少通道高精度EEG采集装置，在满足采集信号质量的前提下，能够通过电极获取来自前额的高质量EEG信号。设备具有便携性、信号质量稳定性等特点，具体为便携式BCI设备。
脑电信号是人大脑的特定放电活动，EEG脑电图是常用的分析方法。EEG具有获取方式的便捷性、信号的稳定性和较低的成本等优势。EEG信号根据频率分布可以分为delta、theta、alpha、beta和gamma频带信号。当人处于疲劳状态时，可以观察到EEG信号中频(alpha波和beta波)活动增强现象。使用便携式EEG采集设备，可以实时获取人的脑电信号，计算脑电信号在不同频段内的功率值和不同频带能量的比值。以频谱能量作为特征，通过机器学习算法准确检测疲劳状态。图2为静息非疲劳状态下的EEG波形图，图3为疲劳状态下EEG波形图。
本实施例采用的基于EEG脑波的疲劳检测方法包括以下步骤：
1.EEG信号采集设备采集用户的脑电信号，对信号进行滤波处理后传输到数据分析***。
其中，滤波处理步骤中，包括了对原始信号进行工频滤波和带通滤波。由于原始EEG信号存在大量的工频干扰噪声，因此本实施例可设计50Hz陷波滤波器，去除工频干扰，并对信号进行0.5-40Hz的带通滤波，并使用独立成分分析去除眼电伪迹。通过上述滤波处理方法，去除了EEG信号中不相关的无用信息，留下与实验任务相关的干净信号。
由于EEG信号存在个体差异性，优选地，本实施例还可以增加采取数据归一化操作，来保证信号的一致性。
2.数据分析***根据任务需要，提取EEG信号的特征，传输至判断识别***。
其中，EEG特征提取方法有：(1)时域特征、(2)频域特征、(3)时频特征等。本实施例根据任务需要，选取适合的方法提取EEG信号特征。
其中，信号的时域特征采用均值、方差和一阶差分等特征；计算信号的频域特征采用快速傅里叶(FFT)算法计算信号在delta(0.5-4Hz)、theta(4-8Hz)、alpha(8-14Hz)、beta(14-30Hz)和gamma(30-50Hz)的功率能量值。计算信号的时频特征采用短时傅里叶变换(STFT)算法和小波变换方法计算得出。根据疲劳任务的特点，计算信号在不同频带内的功率能量值，并通过公式：(alpha+theta)/beta计算各频带能量的比值。
根据计算脑电信号在频域上的特征，可以发现人在静息非疲劳状态时，delta和theta低频带的功率能量较低，相应的，beta和gamma等高频带功率能量较高，如图4所示。而人处于疲劳状态时，delta和theta低频带的功率能量升高，相应的，beta和gamma高频带的功率能量降低，如图5所示。
由此可见，脑电信号的频域特征区分明显，可以通过后续进一步加工以判断疲劳状态和非疲劳状态。
3.判断识别***通过分类算法识别用户疲劳状态。
其中，使用K-最近邻法(KNN)训练算法模型，准确识别疲劳和非疲劳两种状态。KNN算法的原理为：对于要判断的未知样本的类别，根据已知类别的样本，选择与未知样本最近的K个已知样本，计算该未知样本与K个临近的已知样本的距离。通过少数服从多数的投票原则，计算得出得票数最多的已知样本的类别作为该未知样本的类别。
可见，本方法中，通过EEG信号采集设备采集用户前额电极脑电信号，提取出特征值，计算出不同频带的功率值从而通过算法模型自动检测疲劳状态。本方法可以实时获取人的疲劳状态，并及时做出判断，提升了分析的效率和准确性，且拓宽了检测的应用场景。本方法采用便携式采集设备，数据传输具有实时性和安全性，信号分析准确，使用高效的机器学习算法保证分类结果的准确性，应用场景具有多样性。
请参考图6，图6为本发明所提供的一种基于EEG脑波的疲劳检测***的结构示意图，该***用于实现上述方法，包括：
EEG信号采集设备101，用于采集用户的脑电信号，对脑电信号进行滤波处理后传输到数据分析***；
数据分析***102，用于根据任务需要，提取脑电信号的特征，传输至判断识别***；
判断识别***103，用于通过K-最近邻分类算法识别用户疲劳状态。可见，该***通过EEG信号采集设备采集用户前额电极脑电信号，提取出特征值，计算出不同频带的功率值从而通过算法模型自动检测疲劳状态。本发明可以实时获取人的疲劳状态，并及时做出判断，提升了分析的效率和准确性，且拓宽了检测的应用场景。
可见，本***中，通过EEG信号采集设备采集用户前额电极脑电信号，提取出特征值，计算出不同频带的功率值从而通过算法模型自动检测疲劳状态。本发明可以实时获取人的疲劳状态，并及时做出判断，提升了分析的效率和准确性，且拓宽了检测的应用场景。
对于本发明提供的基于EEG脑波的疲劳检测***的介绍请参照前述的基于EEG脑波的疲劳检测方法的实施例，本发明实施例在此不再赘述。本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种基于EEG脑波的疲劳检测方法、***进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (9)

1.一种基于EEG脑波的疲劳检测方法，其特征在于，包括：
EEG信号采集设备采集用户的脑电信号，对脑电信号进行滤波处理后传输到数据分析***；
数据分析***根据任务需要，提取脑电信号的特征，传输至判断识别***；
判断识别***通过K-最近邻分类算法识别用户疲劳状态。
2.如权利要求1所述的基于EEG脑波的疲劳检测方法，其特征在于，所述滤波处理包括工频滤波和带通滤波。
3.如权利要求1所述的基于EEG脑波的疲劳检测方法，其特征在于，所述对脑电信号进行预处理之后，还包括对脑电信号进行数据归一化操作。
4.如权利要求1所述的基于EEG脑波的疲劳检测方法，其特征在于，所述脑电信号的特征包括脑电信号的时域特征、频域特征、时频特征。
5.如权利要求4所述的基于EEG脑波的疲劳检测方法，其特征在于，所述时域特征包括均值、方差和一阶差分特征。
6.如权利要求4所述的基于EEG脑波的疲劳检测方法，其特征在于，所述频域特征为脑电信号在不同频带的功率能量值。
7.如权利要求4所述的基于EEG脑波的疲劳检测方法，其特征在于，采用短时傅里叶变换STFT和小波变换方法计算脑电信号的时频特征。
8.如权利要求1所述的基于EEG脑波的疲劳检测方法，其特征在于，所述K-最近邻法分类算法用于训练算法模型，通过计算未知样本与K个临近的已知样本的距离，计算得出得票数最多的已知样本的类别作为未知样本的类别，从而识别出用户疲劳状态。
9.一种基于EEG脑波的疲劳检测***，其特征在于，用于实现如权利要求1至8中任意一项所述的方法，包括：
EEG信号采集设备，用于采集用户的脑电信号，对脑电信号进行滤波处理后传输到数据分析***；
数据分析***，用于根据任务需要，提取脑电信号的特征，传输至判断识别***；
判断识别***，用于通过K-最近邻分类算法识别用户疲劳状态。
CN202110371862.5A 2021-04-07 2021-04-07 一种基于eeg脑波的疲劳检测方法、*** Pending CN113180705A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110371862.5A CN113180705A (zh) 2021-04-07 2021-04-07 一种基于eeg脑波的疲劳检测方法、***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110371862.5A CN113180705A (zh) 2021-04-07 2021-04-07 一种基于eeg脑波的疲劳检测方法、***

Publications (1)

Publication Number Publication Date
CN113180705A true CN113180705A (zh) 2021-07-30

Family

ID=76974785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110371862.5A Pending CN113180705A (zh) 2021-04-07 2021-04-07 一种基于eeg脑波的疲劳检测方法、***

Country Status (1)

Country Link
CN (1) CN113180705A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114224344A (zh) * 2021-12-31 2022-03-25 杭州电子科技大学 基于eeg与迁移学习的疲劳状态实时检测***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101596101A (zh) * 2009-07-13 2009-12-09 北京工业大学 依据脑电信号判定疲劳状态的方法
CN106504475A (zh) * 2016-10-15 2017-03-15 北海益生源农贸有限责任公司 基于脑电信号的疲劳驾驶检测方法
CN108937921A (zh) * 2018-04-11 2018-12-07 杭州电子科技大学 结合经验模态分解和能量谱密度的驾驶疲劳特征提取方法
CN111329497A (zh) * 2020-02-21 2020-06-26 华南理工大学 基于前额脑电信号的可穿戴式疲劳驾驶监测***及方法
CN112353391A (zh) * 2020-10-22 2021-02-12 武汉理工大学 一种基于脑电信号的汽车车内声音品质识别方法及装置
CN112426162A (zh) * 2020-11-23 2021-03-02 重庆邮电大学 一种基于脑电信号节律熵的疲劳检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101596101A (zh) * 2009-07-13 2009-12-09 北京工业大学 依据脑电信号判定疲劳状态的方法
CN106504475A (zh) * 2016-10-15 2017-03-15 北海益生源农贸有限责任公司 基于脑电信号的疲劳驾驶检测方法
CN108937921A (zh) * 2018-04-11 2018-12-07 杭州电子科技大学 结合经验模态分解和能量谱密度的驾驶疲劳特征提取方法
CN111329497A (zh) * 2020-02-21 2020-06-26 华南理工大学 基于前额脑电信号的可穿戴式疲劳驾驶监测***及方法
CN112353391A (zh) * 2020-10-22 2021-02-12 武汉理工大学 一种基于脑电信号的汽车车内声音品质识别方法及装置
CN112426162A (zh) * 2020-11-23 2021-03-02 重庆邮电大学 一种基于脑电信号节律熵的疲劳检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114224344A (zh) * 2021-12-31 2022-03-25 杭州电子科技大学 基于eeg与迁移学习的疲劳状态实时检测***
CN114224344B (zh) * 2021-12-31 2024-05-07 杭州电子科技大学 基于eeg与迁移学习的疲劳状态实时检测***

Similar Documents

Publication Publication Date Title
CN110811609B (zh) 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置
US20240023886A1 (en) Noninvasive method and system for sleep apnea detection
CN113208634A (zh) 一种基于eeg脑波的注意力检测方法、***
CN105496363B (zh) 基于检测睡眠脑电信号对睡眠阶段进行分类的方法
CN112036354B (zh) 一种基于黎曼几何的自然动作脑电识别方法
EP2544588A1 (en) Method and device for removing eeg artifacts
CN108143409A (zh) 睡眠阶段分期方法及装置
CN112115856B (zh) 脑电质量评估方法、存储介质及***
CN113180704A (zh) 一种基于eeg脑波的睡眠纺锤波检测方法、***
CN102824172A (zh) 一种脑电特征提取方法
CN111067513B (zh) 一种特征权重自学习的睡眠质量检测关键脑区判定方法
CN112754444A (zh) 一种基于雷达的非接触式猪只呼吸检测方法
CN113208632A (zh) 一种基于卷积神经网络的注意力检测方法、***
CN112957055A (zh) 基于eemd-pca去除eeg信号中运动伪迹的方法及装置
CN113180705A (zh) 一种基于eeg脑波的疲劳检测方法、***
CN108260012B (zh) 电子装置、视频播放控制方法及相关产品
CN113974653A (zh) 基于约登指数优化棘波检测方法和装置、存储介质和终端
CN113907709A (zh) 一种基于耳部eeg的便携式睡眠监测***
CN106618486B (zh) 智能辅助睡眠中的睡眠状态识别方法和***
CN103892797A (zh) 一种用于睡眠结构分析的信号处理方法和装置
CN113208633A (zh) 一种基于eeg脑波的情绪识别方法、***
CN113180663A (zh) 一种基于卷积神经网络的情绪识别方法、***
CN114781461B (zh) 一种基于听觉脑机接口的目标探测方法与***
CN112022151B (zh) 一种脑电棘慢波的处理及识别方法
CN115067878A (zh) 基于EEGNet的静息态脑电意识障碍分类方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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: 20210730