CN102119857A - 基于匹配追踪算法的疲劳驾驶脑电检测系统及检测方法 - Google Patents
基于匹配追踪算法的疲劳驾驶脑电检测系统及检测方法 Download PDFInfo
- Publication number
- CN102119857A CN102119857A CN 201110038017 CN201110038017A CN102119857A CN 102119857 A CN102119857 A CN 102119857A CN 201110038017 CN201110038017 CN 201110038017 CN 201110038017 A CN201110038017 A CN 201110038017A CN 102119857 A CN102119857 A CN 102119857A
- Authority
- CN
- China
- Prior art keywords
- eeg signals
- fatigue driving
- electrode
- encephalograms
- time
- 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
- 0 CC(*)C1C2C(C)C1CC2 Chemical compound CC(*)C1C2C(C)C1CC2 0.000 description 1
Images
Landscapes
- 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匹配追踪算法的疲劳驾驶脑电检测系统及检测方法,其检测系统包括按照16导联脑电电极、脑电信号放大器、16导联脑电信号采集设备和处理器以及分别与处理器相接的参数设置单元、存储器和提示单元;其检测方法包括步骤:一、脑电信号提取与同步放大;二、脑电信号采集;三、脑电信号稀疏分解及时频分析处理,得出疲劳驾驶状态判断结果。本发明设计合理、检测步骤简单、实现方便且检测精度高,能快速对疲劳驾驶状态进行准确检测,能有效解决现有疲劳驾驶脑电检测方法存在的分析难度大、分析效果不太理想、检测精确度较低等多种实际问题。
Description
技术领域
本发明属于信息处理技术领域,尤其是涉及一种基于匹配追踪算法的疲劳驾驶脑电检测系统及检测方法。
背景技术
随着经济的快速发展,人民消费水平的日益提高,汽车保有量快速增长,汽车行驶安全问题也成为威胁人们生命财产的社会问题。在现代社会中,交通事故时时发生,造成的悲剧数不胜数。其中,疲劳驾驶是交通事故发生的头号杀手。许多驾驶员由于利益诱惑、生活压力所迫而进行长时间驾驶或带病驾驶,这样就导致大量疲劳驾驶的存在。当驾驶员疲劳驾驶时,其驾驶技能下降,反应速度减慢,遇到突发状况时不能及时动作,导致各种惨祸发生,进而给个人、家庭和国家造成了巨大的损失和负担。为了减少或避免驾驶员的疲劳驾驶,人们研制出了各种疲劳驾驶检测仪器,如美国Electronic Safety Products公司开发的方向盘监视装置S.A.M、法国法雷奥汽配集团和美国IIERIS公司开发出的车道偏离报警器以及悉尼的“选择式报警”眼镜等等。虽然这些仪器取得了一定的成效,但是它们普遍存在着误报率高、识别不准确等缺点,因此需要进一步的研究。疲劳检测方法是疲劳检测的核心部分,是检测驾驶员疲劳与否的关键。目前,检测驾驶员疲劳的方法主要可以分为三种:检测车辆参数、检测驾驶员对车辆的控制行为以及检测驾驶员的生理信号。其中对驾驶员生理信号的检测是最有效、最客观、最可靠的方法,生理信号主要包括肌电信号、心电信号、脑电信号等等,而由于脑电信号无创性、实时性高、可靠性好而备受关注。
虽然采用脑电信号检测疲劳驾驶一直被认为是检测疲劳的“金标准”,然而由于脑电信号的非线性、非平稳等特性,现有的分析检测方法总不尽如人意,即很多的方法需要在假设脑电为平稳的前提下进行。实际使用过程中这些方法虽然取得了一定的成效,但是在疲劳驾驶检测上其检测效果并不理想,因而迫切需要提出有效地疲劳驾驶检测新方法。
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,提供一种设计合理、接线方便、使用操作简便且智能化程度高、使用效果好的基于匹配追踪算法的疲劳驾驶脑电检测系统。
为解决上述技术问题,本发明采用的技术方案是:一种基于匹配追踪算法的疲劳驾驶脑电检测系统,其特征在于:包括按照国际标准“10/20”电极安放方法布设在被测试者头部且对被测试者的脑电信号进行提取的16导联脑电电极、分别与16导联脑电电极中的各导联脑电电极相接且对各导联脑电电极所输出脑电信号进行放大处理的脑电信号放大器、按照预先设定的采样频率对被测试者的脑电信号进行采集的16导联脑电信号采集设备、对16导联脑电信号采集设备所采集脑电信号进行分析处理并根据分析处理结果对被测试者是否处于疲劳驾驶状态与处于疲劳驾驶状态的持续时间进行同步检测判断的处理器以及分别与处理器相接的参数设置单元、存储器和提示单元,所述脑电信号放大器与16导联脑电信号采集设备相接,且16导联脑电信号采集设备与处理器相接。
上述基于匹配追踪算法的疲劳驾驶脑电检测系统,其特征是:所述16导联脑电信号采集设备为便携式数字脑电图仪或SOLAR848定量数字脑电图仪。
上述基于匹配追踪算法的疲劳驾驶脑电检测系统,其特征是:还包括与处理器相接的显示器。
上述基于匹配追踪算法的疲劳驾驶脑电检测系统,其特征是:所述处理器、参数设置单元、存储器和显示器组成一个完整的PC机。
同时,本发明还公开了一种实现方便、检测速度快、检测效果好且实用价值高的基于匹配追踪算法的疲劳驾驶脑电检测方法,其特征在于该方法包括以下步骤:
步骤一、脑电信号提取与同步放大:通过16导联脑电电极对被测试者头部16个部位的脑电信号分别进行实时提取,且通过所述脑电信号放大器对16导联脑电电极所提取的16路脑电信号同步进行放大处理;通过16导联脑电电极对被测试者头部的脑电信号进行提取之前,根据16导联脑电电极中各导联脑电电极的布设位置相应对各导联脑电电极所提取的脑电信号进行编号;
步骤二、脑电信号采集:通过16导联脑电信号采集设备按照预先设定的采样频率对经16个脑电信号放大器放大后的16路脑电信号同步进行采集,并将每一个采样周期内所采集的16路脑电信号转换为对应编号的16路数字脑电信号xi(t)后同步传送至处理器,其中i=1、2、3...16;
步骤三、脑电信号分析处理:处理器按照预先设定的分析处理频率、分析处理的数字脑电信号数量M以及分析处理的各数字脑电信号的编号,且按照时间先后顺序对接收到的各采样周期内所采集16路数字脑电信号中的多路数字脑电信号分别连续进行分析处理,并根据分析处理结果对当前时刻被测试者是否处于疲劳驾驶状态进行相应检测判断,对每一个采集周期内所采集信号的分析处理方法均相同,且对于其中任一个采样周期而言,其分析处理过程如下:
301、脑电信号接收与同步存储:处理器对此时所接收到的16路数字脑电信号xi(t)即当前采样周期内所采集的16路数字脑电信号xi(t)的编号进行判别,并将判别出的需分析处理的多路数字脑电信号分别对应存储至存储器内预先建立的存储单元内,且对各存储单元内所存储的上一个采样周期内所采集信号进行替换,以对各存储单元内所存储信息进行实时更新;
302、分析处理时间判断:处理器按照预先设定的分析处理频率,分析判断此时是否需对当前采样周期内所采集信号进行分析处理:当需对当前采样周期内所采集信号进行分析处理时,则进入步骤303;否则,转入步骤306;
303、脑电信号稀疏分解:处理器对步骤302中多个存储单元内所存储的多路数字脑电信号分别进行稀疏分解与时频分析处理,多路所述数字脑电信号的稀疏分解与时频分析处理过程同步进行,且多个所述数字脑电信号的稀疏分解方法均相同,对于其中任一路数字脑电信号x(t)而言,其稀疏分解处理过程如下:
3031、原子库生成:处理器调用匹配追踪算法模块且根据最大匹配投影原理,将高斯型函数变换为并相应生成过完备库,式中r=(s,u,v,w)是时频参数,s为尺度参数,u为位移参数,v为频率参数,w为相位参数,ψr(t)为一个Gabor函数即Gabor原子,由Gabor原子构成的信号空间为Gabor字典,所述Gabor字典为生成的过完备库:D={ψr(t)};
3032、处理器调用Mallat索引算法模块对步骤3031中所生成的Gabor字典D={ψr(t)}进行离散化处理,即对Gabor字典中Gabor原子的时频参数进行离散化,离散化后Gabor原子的时频参数为rα={(αj,pαjΔu,kαjΔv,iΔw)},其中α=2,Δu=1/2,Δv=π,Δω=π/6,且离散化后得到一个离散的过完备库:其中索引参数的取值范围为0<j≤log2N-1,0≤p≤2-j+1N,0≤k≤2j+1且0≤i≤12;N为所处理数字脑电信号x(t)的信号长度;
3033、稀疏分解:处理器调用匹配追踪算法模块且利用步骤3032中离散后的过完备库和预先设定的迭代分解总次数m,对数字脑电信号x(t)进行迭代分解处理,并将数字脑电信号x(t)转换为式中Rm+1(t)为数字脑电信号x(t)经过m次迭代分解后的残值,为每次迭代分解时从离散后的过完备库中选出的最佳匹配原子,an为每次迭代后的最佳匹配原子与上一次迭代分解后残值的展开系数;对数字脑电信号x(t)进行m次迭代分解过程中,对每一次迭代分解后的展开系数an分别进行求解并同步存储至存储器内;同时,对每一次迭代分解过程中所选出最佳匹配原子的时频参数sn、un、vn和wn分别进行求解并同步存储至存储器内,其中n为迭代分解次数且n=1、2、3...m;经m次迭代分解后,则获得数字脑电信号x(t)的近似信号
304、疲劳驾驶状态判断:处理器调用差值比较模块且按照预先设定的正常驾驶状态驾驶员脑电信号的正常展开系数a标或尺度参数变化率Δs标进行疲劳驾驶状态判断;
采用正常展开系数a标进行疲劳驾驶状态判断时,对步骤3033中存储在存储器内的前L次迭代分解后的展开系数a1、a2...aL分别与a标进行差值比较,其中L=3、4或5,当判断得出前L次迭代分解后的展开系数a1、a2...aL的绝对值均小于a标时,说明此时被测试者处于正常驾驶状态;否则,说明被测试者处于疲劳驾驶状态;其中,a标=14~17;
采用尺度参数变化率Δs标标进行疲劳驾驶状态判断时,先调用计算模块且根据公式计算得出m次迭代分解过程中尺度参数sn相对正常尺度参数sn标的尺度参数变化率Δsn,再对计算得出的前L次迭代分解后的尺度参数变化率Δs1、Δs2...ΔsL分别与Δs标进行差值比较,其中L=3、4或5,当判断得出前L次迭代分解后的尺度参数变化率Δs1、Δs2...ΔsL均小于Δs标时,说明此时被测试者处于正常驾驶状态;否则,说明被测试者处于疲劳驾驶状态;其中,Δs标=40%~60%,正常尺度参数sn标均等于64±2;其中,n为迭代分解次数且n=1、2...m;
305、疲劳驾驶状态判断结果输出:处理器将步骤304中所作出的疲劳驾驶状态判断结果输出;
306、返回步骤301,对下一个采样周期内所采集的数字脑电信号进行分析处理。
上述基于匹配追踪算法的疲劳驾驶脑电检测方法,其特征是:所述存储器内预先存储有试验测试得出的驾驶员处于正常驾驶和疲劳驾驶状态时所采集脑电信号的时频分布函数和时频分布图;步骤3033中稀疏分解完成后,还需进行时频分析处理:处理器调用魏格纳分布处理模块,对步骤3033中所获得的数字脑电近似信号进行时频分析处理,获得数字脑电近似信号x′(t)的时频分布函数:并同步进行存储,式中为最佳匹配原子的魏格纳分布且同时根据时频分布函数得出此时被测试者的时频分布图并同步进行存储;相应地,步骤304中进行疲劳驾驶状态判断时,处理器调用时频差异比较模块对此时处理得出的数字脑电近似信号x′(t)的时频分布函数和时频分布图分别与预先存储在存储器内的正常驾驶和疲劳驾驶状态时所采集脑电信号的时频分布函数和时频分布图进行对比,并根据比较结果判断此时被测试者是否处于疲劳驾驶状态。
上述基于匹配追踪算法的疲劳驾驶脑电检测方法,其特征是:步骤一中所述的根据16导联脑电电极中各导联脑电电极的布设位置相应对各导联脑电电极所提取的脑电信号进行编号时,将由前至后对分别布设在被测试者头部的左前额、右前额、左额、右额、左中央、右中央、左顶、右顶、左枕区、右枕区、左前颞、右前颞、左中颞、右中颞、左后颞、右后颞的16导联脑电电极分别进行编号,且将16导联脑电电极按照布设位置的左右对称关系划分为8个电极组,其中布设左前额和右前额的导联脑电电极为一组,布设在左额和右额的导联脑电电极为一组,布设在左中央和右中央的导联脑电电极为一组,布设在左顶和右顶的导联脑电电极为一组,布设在左枕区和右枕区的导联脑电电极为一组,布设在左前颞和右前颞的导联脑电电极为一组,布设在左中颞和右中颞的导联脑电电极为一组,布设在左后颞和右后颞的导联脑电电极为一组。
上述基于匹配追踪算法的疲劳驾驶脑电检测方法,其特征是:步骤三中分析处理的数字脑电信号数量M为2个、4个、6个或8个,则M=2、4、6或8,数字脑电信号为布设在左前额、右前额、左额、右额、左顶、右顶、左枕区和右枕区四组导联脑电电极中的任意一组、任意两组、任意三组或四组导联脑电电极。
上述基于匹配追踪算法的疲劳驾驶脑电检测方法,其特征是:步骤304中判断得出被测试者处于疲劳驾驶状态时,还需对被测试者的疲劳驾驶程度进行分析判断:当前L次迭代分解后的尺度参数s1、s2...sL均不大于s重,则说明被测试者处于重度疲劳状态;如尺度参数s1、s2...sL中存在着大于s重的参数且均不大于S中,说明被测者处于中度疲劳状态;否则被测试者处于轻度疲劳状态,其中s重=16±1,s 中=32±1。
上述基于匹配追踪算法的疲劳驾驶脑电检测方法,其特征是:步骤一中所述的脑电信号提取与同步放大之前,通过参数设置单元对初始参数进行设定,所述初始参数包括采样频率、分析处理频率、分析处理的数字脑电信号数量M、分析处理的各数字脑电信号的编号、迭代分解总次数m、正常展开系数a标、尺度参数变化率Δs标和正常尺度参数sn标进行设定;步骤二中所述的采样频率为100Hz~1000Hz;步骤三中所述的分析处理频率为0.0005Hz~0.1Hz。
本发明与现有技术相比具有以下优点:
1、所采用的疲劳驾驶脑电检测系统设计合理、接线方便、使用操作简便且智能化程度高、使用效果好。
2、所采用的疲劳驾驶脑电检测方法实现方便,检测速度快。
3、实用价值高、经济效益及社会效益显著。本发明提出了采用脑电信号检测疲劳驾驶的新方法,找出了能准确表征疲劳驾驶的分析方法和特征参数,建立了能准确描述驾驶与疲劳之间关系的数学模型,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系统奠定了基础,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,本发明设计合理、检测步骤简单、实现方便,能简单、快速对疲劳驾驶状态进行准确检测,具体是通过“解剖”脑电信号即通过匹配追踪算法简化脑电信号,并提取以往方法不可能提取到的有关特征信息得出检测疲劳的新方法。
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为本发明所采用疲劳驾驶脑电检测系统的电路原理框图。
图2为本发明所采用疲劳驾驶脑电检测方法的流程框图。
图3为本发明16导联脑电电极的布设位置示意图。
图4为被测试者处于正常驾驶状态下所采集的原始脑电信号图。
图5为被测试者处于正常驾驶状态下所采集原始脑电信号经稀疏分解后的重构信号图。
图6为被测试者处于疲劳驾驶状态下所采集的原始脑电信号图。
图7为被测试者处于疲劳驾驶状态下所采集原始脑电信号经稀疏分解后的重构信号图。
图8为驾驶员处于正常驾驶状态下所采集脑电信号的时频分布图。
图9为驾驶员处于疲劳驾驶状态下所采集脑电信号的时频分布图。
附图标记说明:
1-16导联脑电电极;2-脑电信号放大器;3-16导联脑电信号采集
设备;
4-处理器; 5-参数设置单元; 6-存储器;
7-提示单元; 8-显示器; 9-计时模块。
具体实施方式
如图1所示的一种基于匹配追踪算法(即MP算法)的疲劳驾驶脑电检测系统,包括按照国际标准“10/20”电极安放方法布设在被测试者头部且对被测试者的脑电信号进行提取的16导联脑电电极1、分别与16导联脑电电极1中的各导联脑电电极相接且对各导联脑电电极所输出脑电信号进行放大处理的脑电信号放大器2、按照预先设定的采样频率对被测试者的脑电信号进行采集的16导联脑电信号采集设备3、对16导联脑电信号采集设备3所采集脑电信号进行分析处理并根据分析处理结果对被测试者是否处于疲劳驾驶状态与处于疲劳驾驶状态的持续时间进行同步检测判断的处理器4以及分别与处理器4相接的参数设置单元5、存储器6和提示单元7,所述脑电信号放大器2与16导联脑电信号采集设备3相接,且16导联脑电信号采集设备3与处理器4相接。
本实施例中,所述16导联脑电信号采集设备3为常规使用的便携式数字脑电图仪,实际安装时可将便携式数字脑电图仪直接安装在驾驶车辆上,实际使用过程中,也可以选用其它类型的16导联脑电信号采集设备。同时,本发明所采用的疲劳驾驶脑电检测系统还包括与处理器4相接的显示器8。同时,所述疲劳驾驶脑电检测系统还包括与处理器4相接的计时模块9,对驾驶员的持续驾驶时间和疲劳驾驶时间分别进行自动统计。实际使用时,16导联脑电信号采集设备3还可以采用SOLAR848定量数字脑电图仪等大型数字脑电图仪,具体安装时可将SOLAR848定量数字脑电图仪布设在一个专用检测站内,并通过无线通讯方式与脑电信号放大器2进行通信。所述脑电信号放大器2通过16根导线与16导联脑电信号采集设备3相接。
本实施例中,所述处理器4、参数设置单元5、存储器6和显示器8组成一个完整的PC机。实际布设时,所述16导联脑电电极1布设在一个电极帽内部,因而使用操作非常简便。
如图2所示的一种基于匹配追踪算法的疲劳驾驶脑电检测方法,包括以下步骤:
步骤一、脑电信号提取与同步放大:通过16导联脑电电极1对被测试者头部16个部位的脑电信号分别进行实时提取,且通过所述脑电信号放大器2对16导联脑电电极1所提取的16路脑电信号同步进行放大处理;通过16导联脑电电极1对被测试者头部的脑电信号进行提取之前,根据16导联脑电电极1中各导联脑电电极的布设位置相应对各导联脑电电极所提取的脑电信号进行编号。
实际进行操作过程中,根据16导联脑电电极1中各导联脑电电极的布设位置相应对各导联脑电电极所提取的脑电信号进行编号时,将由前至后对分别布设在被测试者头部的左前额、右前额、左额、右额、左中央、右中央、左顶、右顶、左枕区、右枕区、左前颞、右前颞、左中颞、右中颞、左后颞、右后颞的16导联脑电电极1分别进行编号,且将16导联脑电电极1按照布设位置的左右对称关系划分为8个电极组,其中布设左前额和右前额的导联脑电电极为一组,布设在左额和右额的导联脑电电极为一组,布设在左中央和右中央的导联脑电电极为一组,布设在左顶和右顶的导联脑电电极为一组,布设在左枕区和右枕区的导联脑电电极为一组,布设在左前颞和右前颞的导联脑电电极为一组,布设在左中颞和右中颞的导联脑电电极为一组,布设在左后颞和右后颞的导联脑电电极为一组。
结合图3,16导联脑电电极1分别为导联FP1、FP2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5和T6,安放位置对应为:FP1左前额,FP2右前额,F3左额,F4右额,C3左中央,C4右中央,P3左顶,P4右顶,O1左枕区,O2右枕区,F7左前颞,F8右前颞,T3左中颞,T4右中颞,T5左后颞,T6右后颞。同时,16导联脑电电极1的编号顺序为1#:″FP1″;2#:″FP2″;3#:″F3″;4#:″F4″;5#:″C3″;6#:″C4″;7#:″P3″;8#:″P4″;9#:″O1″;10#:″O2″;11#:″F7″;12#:″F8″;13#:″T3″;14#:″T4″;15#:″T5″;16#:″T6″。图3中,A1和A2为双耳电极。
因而本实施例中,16导联脑电电极1的安放按国际脑电图学会10/20制电极安放法(即国际标准“10/20”电极安放方法),选用FP1、FP2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4和T5、T6共16个部位,单极导联,即选用16导联进行单极采样,A1和A2双侧耳电极为参考电极。实际使用时,也可以采用双极导联法,并对处理方法进行相应调整。
另外,步骤一中所述的脑电信号提取与同步放大之前,通过参数设置单元5对初始参数进行设定,所述初始参数包括采样频率、分析处理频率、分析处理的数字脑电信号数量M、分析处理的各数字脑电信号的编号、迭代分解总次数m、正常展开系数a标、尺度参数变化率Δs标和正常尺度参数sn标进行设定。
步骤二、脑电信号采集:通过16导联脑电信号采集设备3按照预先设定的采样频率对经16个脑电信号放大器2放大后的16路脑电信号同步进行采集,并将每一个采样周期内所采集的16路脑电信号转换为对应编号的16路数字脑电信号xi(t)后同步传送至处理器4,其中i=1、2、3...16。所述16导联脑电信号采集设备3对脑电信号进行采集时,需按照常规信号预处理方法,先对需采集的脑电信号进行模数转换、滤波处理等。
本实施例中,所述脑电信号放大器2的放大倍数为100万倍。实际使用过程中,可以根据实际具体需要,对脑电信号放大器2的放大倍数进行相应调整,且脑电信号放大器2的放大倍数调整范围为80万倍200万倍之间。
本实施例中,采样频率为100Hz。实际使用过程中,可以根据实际需要,将采样频率在100Hz~1000Hz范围内进行相应调整,主要包括100Hz、125Hz、200Hz、250Hz、500Hz和1000Hz等几个采样频率。
步骤三、脑电信号分析处理:处理器4按照预先设定的分析处理频率、分析处理的数字脑电信号数量M以及分析处理的各数字脑电信号的编号,且按照时间先后顺序对接收到的各采样周期内所采集16路数字脑电信号中的多路数字脑电信号分别连续进行分析处理,并根据分析处理结果对当前时刻被测试者是否处于疲劳驾驶状态进行相应检测判断,对每一个采集周期内所采集信号的分析处理方法均相同,且对于其中任一个采样周期而言,其分析处理过程如下:
301、脑电信号接收与同步存储:处理器4对此时所接收到的16路数字脑电信号xi(t)即当前采样周期内所采集的16路数字脑电信号xi(t)的编号进行判别,并将判别出的需分析处理的多路数字脑电信号分别对应存储至存储器6内预先建立的存储单元内,且对各存储单元内所存储的上一个采样周期内所采集信号进行替换,以对各存储单元内所存储信息进行实时更新,同时将其余不需进行分析处理的数字脑电信号删除,其中i=1、2、3...16,且数字脑电信号xi(t)的编号与16导联脑电电极1的编号一一对应。
由于疲劳时,驾驶员最明显的表现为:精神不振(即前额叶控制精神功能),思维能力减退(即后额叶控制思维功能),反应迟缓(即顶叶控制体觉功能),视觉模糊(即枕叶控制视觉功能),因此主要检测FP1、FP2、F3、F4、P3、P4、O1和O2这8个导联,也就是说主要检测编号为1#、2#、3#、4#、7#、8#、9#和10#8个导联。实际测试过程中,可以根据具体测试需求,通过参数设置单元5对需要检测的导联进行相应调整,既可以选择上述8个导联中的任意一组、两组、三组或四组全选,也可以选用其它组导联,使用操作非常简便。
实际操作过程中,步骤三中分析处理的数字脑电信号数量M为2个、4个、6个或8个,则M=2、4、6或8,数字脑电信号为布设在左前额、右前额、左额、右额、左顶、右顶、左枕区和右枕区四组导联脑电电极中的任意一组、任意两组、任意三组或四组导联脑电电极。
302、分析处理时间判断:处理器4按照预先设定的分析处理频率,分析判断此时是否需对当前采样周期内所采集信号进行分析处理:当需对当前采样周期内所采集信号进行分析处理时,则进入步骤303;否则,转入步骤306。
实际操作过程中,所采用的分析处理频率为0.0005Hz~0.1Hz。也就是说,每隔10秒~33分钟对16导联脑电电极1所采集的脑电信号分析处理一次。实际使用时,先通过参数设置单元5对分析处理频率进行设定,本实施例中设定每隔20分钟对16导联脑电电极1所采集的脑电信号分析处理一次,每次分析10秒钟脑电数据,处理器4可将在分析处理时间之外所采集的脑电信号直接删除,不予考虑;而将分析处理时间点开始的10秒内所采集的脑电信号存储并进行进一步分析处理。
303、脑电信号稀疏分解:处理器4对步骤302中多个存储单元内所存储的多路数字脑电信号(具体是M路数字脑电信号)分别进行稀疏分解与时频分析处理,多路所述数字脑电信号的稀疏分解与时频分析处理过程同步进行,且多路所述数字脑电信号的稀疏分解方法均相同,对于其中任一路数字脑电信号x(t)(也就是说,数字脑电信号x(t)为需分析处理的M个数字脑电信号中的任一一个数字脑电信号)而言,其稀疏分解处理过程如下:
3031、原子库生成:处理器4调用匹配追踪算法模块且根据最大匹配投影原理,将高斯型函数变换为并相应生成过完备库,式中r=(s,u,v,w)是时频参数,s为尺度参数,u为位移参数,v为频率参数,w为相位参数,ψr(t)为一个Gabor函数即Gabor原子,由Gabor原子构成的信号空间为Gabor字典,所述Gabor字典为生成的过完备库:D={ψr(t)}。
3032、原子库索引生成:处理器4调用Mallat索引算法模块对步骤3031中所生成的Gabor字典D={ψr(t)}进行离散化处理,即对Gabor字典中Gabor原子的时频参数进行离散化,离散化后Gabor原子的时频参数为rα={(αj,pαjΔu,kαjΔv,iΔw)},其中α=2,Δu=1/2,Δv=π,Δω=π/6,且离散化后得到一个离散的过完备库:其中索引参数的取值范围为0<j≤log2N-1,0≤p≤2-j+1N,0≤k≤2j+1且0≤i≤12,N为所处理数字脑电信号x(t)的信号长度。
由于,步骤3031中所生成的Gabor字典是一般意义上的,其定义域为一维连续空间,这样的Gabor字典在理论上是无穷的,实际中搜索一个无穷的空间是不可能的。因此必须对字典空间必须进行离散化处理,即将其时频参数离散化,其步骤是先对尺度参数进行离散化,再根据尺度参数来确定其他时频参数,这就是Mallat索引算法。离散化后,得到离散的过完备库从离散空间Dα中选取的最佳匹配原子是最优的。
3033、稀疏分解:处理器4调用匹配追踪算法模块且利用步骤3032中离散后的过完备库和预先设定的迭代分解总次数m,对数字脑电信号x(t)进行迭代分解处理,并将数字脑电信号x(t)转换为式中Rm+1(t)为数字脑电信号x(t)经过m次迭代分解后的残值,为每次迭代分解时从离散后的过完备库中选出的最佳匹配原子,an为每次迭代后的最佳匹配原子与上一次迭代分解后残值的展开系数(且an通过每次迭代后的最佳匹配原子与上一次迭代分解后残值的内积求得);对数字脑电信号x(t)进行m次迭代分解过程中,对每一次迭代分解后的展开系数an分别进行求解并同步存储至存储器6内;同时,对每一次迭代分解过程中所选出最佳匹配原子的时频参数sn、un、vn和wn分别进行求解并同步存储至存储器6内,其中n为迭代分解次数且n=1、2、3...m;经m次迭代分解后,则获得数字脑电信号x(t)的近似信号
由于进行稀疏分解处理后,数字脑电信号x(t)的稀疏表达式为其中,数字脑电信号x(t)是N×1维,展开系数an构成的集合为m×1维,则字典应该是N×m维,由基元函数集合组成,其中N就是数字脑电信号x(t)的长度。
匹配追踪算法是将信号在一个过完备库(基元函数集合)中进行迭代分解,每次迭代从过完备库中选择与信号最相似的原子(基元函数),直到残值信号满足特定的阀值或进行了指定的迭代次数m时终止。由于通过匹配追踪算法,信号x(t)经过m次迭代分解后,可表示为m个原子的线性组合,即式中an为每次迭代后的最佳匹配原子与上轮残余信号的展开系数(由于展开系数反应了相似性,因此可通过计算上轮残余信号与最佳匹配原子的内积来获得展开系数an)。因而,本实施例中,进行稀疏分解的具体过程如下:
第二步、定义信号x(t)的残余信号为Rm(t),其中m=0、1、2...,当m=0时,令第0次残余信号为:R0(t)=x(t);
类似地,依次对R2(t),R3(t)ΛRm(t)进行迭代分解,其中对于第m次残余信号Rm(t)迭代分解后得到展开系数am、第m+1次残余信号Rm+1(t)和信号x(t)第m+1次迭代分解的近似展开式分别为:
同时,本发明也可以用于试验测试,且试验测试过程中被测试者借助模拟驾驶仪器与模拟道路环境选择山区公路进行测试,实际进行测试过程中连续记录被测试者驾驶2小时以上的脑电数据,并同步记录其主观感受和物理反应。
同时,为了验证稀疏表示后的数字脑电近似信号与原始信号之间的x(t)之间的吻合度,在试验室中对稀疏分解后的数字脑电近似信号x′(t)按照稀疏表达式进行重构,重构信号的好坏直接说明了稀疏分解方法的可行性和适用性。
此时以一名被测试者一导联脑电信号为例,来展示稀疏处理方法对脑电信号的刻画效果,详见图4、图5、图6和图7,其中图4为被测试者处于正常驾驶状态下所采集原始脑电信号图,图5为被测试者处于正常驾驶状态下所采集原始脑电信号(具体是图4中所采集的原始脑电信号)经稀疏分解后的重构信号图,图6为被测试者处于疲劳驾驶状态下所采集原始脑电信号图,图7为被测试者处于疲劳驾驶状态下所采集原始脑电信号(具体是图6中所采集的原始脑电信号)经稀疏分解后的重构信号图。通过对图4和图5以及图6和图7进行对比发现,按照上述稀疏分解的方法进行分解重构,对脑电信号的重构效果良好,在正常驾驶和疲劳驾驶两种状态下重构脑电信号与原始脑电信号的吻合度极高,刻画效果好,说明基于Gabor原子的匹配追踪方法能够用于脑电信号的稀疏分解,其得到的稀疏表达式能够用来重构原始的脑电信号,然后可对重构信号进行一系列分析或特征提取来表征原始信号的信息关键。
304、疲劳驾驶状态判断:处理器4调用差值比较模块且按照预先设定的正常驾驶状态驾驶员脑电信号的正常展开系数a标或尺度参数变化率Δs标进行疲劳驾驶状态判断。
采用正常展开系数a标进行疲劳驾驶状态判断时,对步骤3033中存储在存储器6内的前L次迭代分解后的展开系数a1、a2...aL分别与a标进行差值比较,其中L=3、4或5,当判断得出前L次迭代分解后的展开系数a1、a2...aL的绝对值均小于a标时,说明此时被测试者处于正常驾驶状态;否则,说明被测试者处于疲劳驾驶状态;其中,a标=14~17。此时,前L次迭代分解不包括第0次迭代分解。
采用尺度参数变化率Δs标进行疲劳驾驶状态判断时,先调用计算模块且根据公式计算得出m次迭代分解过程中尺度参数sn相对正常尺度参数sn标的尺度参数变化率Δsn,再对计算得出的前L次迭代分解后的尺度参数变化率Δs1、Δs2...ΔsL分别与Δs标进行差值比较,其中L=3、4或5,当判断得出前L次迭代分解后的尺度参数变化率Δs1、Δs2...ΔsL均小于Δs标时,说明此时被测试者处于正常驾驶状态;否则,说明被测试者处于疲劳驾驶状态;其中,Δs标=40%~60%,正常尺度参数sn标均等于64±2;其中,n为迭代分解次数且n=1、2...m。此时,前L次迭代分解不包括第0次迭代分解。
实际操作过程中,可通过参数设置单元5对正常展开系数a标和正常尺度参数sn标进行具体设定。
在匹配追踪的迭代分解过程中,产生了相应的特征参数(包括展开系数an以及时频参数(sn,un,vn,wn)),这些特征参数是重构脑电信号原子的关键。如表1和表2分别列出了正常驾驶和疲劳驾驶时驾驶员的脑电信号的前5步迭代分解的展开系数及其时频参数(尺度参数、平移参数、频率参数和相位参数):
表1正常驾驶状态下的特征参数
表2疲劳驾驶状态下的特征参数
结合表1和表2可见,在正常驾驶状态下,展开系数an的绝对值较小,但是当疲劳驾驶时,展开系数an的绝对值增大;尺度参数sn在正常驾驶时较大,而在疲劳驾驶时减小。通过匹配追踪迭代分解过程中各个参数的提取分析,发现在不同驾驶状态时其脑电信号各参数值差异明显,尤其是展开系数an和尺度参数sn的变化存在着明显特定规律。由此可见,脑电信号的展开系数an及其时频参数sn能够敏感地反映驾驶员脑状态的变化。
305、疲劳驾驶状态判断结果输出:处理器4将步骤304中所作出的疲劳驾驶状态判断结果输出。
306、返回步骤301,对下一个采样周期内所采集的数字脑电信号进行分析处理。
本实施例中,所述存储器6内预先存储有试验测试得出的驾驶员处于正常驾驶和疲劳驾驶状态时所采集脑电信号的时频分布函数和时频分布图;步骤3033中稀疏分解完成后,还需进行时频分析处理:处理器4调用魏格纳分布(即Winger-Ville分布)处理模块,对步骤3033中所获得的数字脑电近似信号进行时频分析处理,获得数字脑电近似信号x′(t)的时频分布函数:并同步进行存储,式中为最佳匹配原子的魏格纳分布且同时根据时频分布函数得出此时被测试者的时频分布图并同步进行存储;相应地,步骤304中进行疲劳驾驶状态判断时,处理器4调用时频差异比较模块对此时处理得出的数字脑电近似信号x′(t)的时频分布函数和时频分布图分别与预先存储在存储器6内的正常驾驶和疲劳驾驶状态时所采集脑电信号的时频分布函数和时频分布图进行比对,并根据比对结果判断此时被测试者是否处于疲劳驾驶状态。
实际检测过程中,通过显示器8对实时分析处理得出的时频分布图进行同步直观显示,检测人员通过对当前状态显示器8所显示的时频分布图与正常驾驶状态下的视频分布图进行比对,并相应得出被测试者是否处于疲劳驾驶状态的判断结果。
由于时频分布函数表示的时频分布是在时频平面上,由众多微小原子的魏格纳分布组合而成,这些微小原子具有十分简单的时频分布,在进行Wigner-Ville分布后具有良好的时频局部特性。将这些单个原子的Wigner-Ville分布叠加后,其分辨率与Winger分布一样高,且不存在交叉干扰项,取得了十分理想的效果,这是将匹配追踪稀疏分解方法与Winger分布相结合的结果,其分辨率与魏格纳分布一样高,且不存在交叉干扰项,取得了十分理想的效果,这是将匹配追踪稀疏分解方法与魏格纳分布相结合的结果,其有效解决了分辨率和交叉干扰项的矛盾问题。
结合图8和图9,对驾驶员在正常驾驶和疲劳驾驶两种状态的脑电信号的时频分布图进行区别判断发现:疲劳驾驶时脑电信号存在的频率基本均小于15Hz,信号能量高度集中在脑电基本节律的θ波(4-8Hz)和α波(8-13Hz)范围内;正常驾驶时,频率基本分散在0-35Hz之间,大于15Hz的频率大量存在,因而通过进行比对能得出当前测试状态下被测试者的脑活动情况,并可相应对被测试者的疲劳驾驶状态进行相应判断。
同时,本实施例中,步骤304中判断得出被测试者处于疲劳驾驶状态时,还需对被测试者的疲劳驾驶程度进行分析判断:当前L次迭代分解后的尺度参数s1、s2...sL均不大于s重,则说明被测试者处于重度疲劳状态;如尺度参数s1、s2...sL中存在着大于s重的参数,而均不大于S中,说明被测者处于中度疲劳状态;否则被测试者处于轻度疲劳状态,其中s重=16±1,s中=32±1。当前5步迭代分解存在着尺度参数大于等于64时,认为处于正常驾驶状态;若尺度参数均小于64,则尺度参数越小,说明其疲劳程度越严重:当前5步原子的尺度参数均小于等于32时,则认为驾驶员处于中度疲劳状态;若均小于等于16,则认为处于重度疲劳状态;否则,认为驾驶员处于轻度疲劳状态。
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)
1.一种基于匹配追踪算法的疲劳驾驶脑电检测系统,其特征在于:包括按照国际标准“10/20”电极安放方法布设在被测试者头部且对被测试者的脑电信号进行提取的16导联脑电电极(1)、分别与16导联脑电电极(1)中的各导联脑电电极相接且对各导联脑电电极所输出脑电信号进行放大处理的脑电信号放大器(2)、按照预先设定的采样频率对被测试者的脑电信号进行采集的16导联脑电信号采集设备(3)、对16导联脑电信号采集设备(3)所采集脑电信号进行分析处理并根据分析处理结果对被测试者是否处于疲劳驾驶状态与处于疲劳驾驶状态的持续时间进行同步检测判断的处理器(4)以及分别与处理器(4)相接的参数设置单元(5)、存储器(6)和提示单元(7),所述脑电信号放大器(2)与16导联脑电信号采集设备(3)相接,且16导联脑电信号采集设备(3)与处理器(4)相接。
2.按照权利要求1所述的基于匹配追踪算法的疲劳驾驶脑电检测系统,其特征在于:所述16导联脑电信号采集设备(3)为便携式数字脑电图仪或SOLAR848定量数字脑电图仪。
3.按照权利要求1或2所述的基于匹配追踪算法的疲劳驾驶脑电检测系统,其特征在于:还包括与处理器(4)相接的显示器(8)。
4.按照权利要求3所述的基于匹配追踪算法的疲劳驾驶脑电检测系统,其特征在于:所述处理器(4)、参数设置单元(5)、存储器(6)和显示器(8)组成一个完整的PC机。
5.一种利用如权利要求1所述的基于匹配追踪算法的疲劳驾驶脑电检测系统进行疲劳驾驶脑电检测的方法,其特征在于该方法包括以下步骤:
步骤一、脑电信号提取与同步放大:通过16导联脑电电极(1)对被测试者头部16个部位的脑电信号分别进行实时提取,且通过所述脑电信号放大器(2)对16导联脑电电极(1)所提取的16路脑电信号同步进行放大处理;通过16导联脑电电极(1)对被测试者头部的脑电信号进行提取之前,根据16导联脑电电极(1)中各导联脑电电极的布设位置相应对各导联脑电电极所提取的脑电信号进行编号;
步骤二、脑电信号采集:通过16导联脑电信号采集设备(3)按照预先设定的采样频率对经16个脑电信号放大器(2)放大后的16路脑电信号同步进行采集,并将每一个采样周期内所采集的16路脑电信号转换为对应编号的16路数字脑电信号xi(t)后同步传送至处理器(4),其中i=1、2、3...16;
步骤三、脑电信号分析处理:处理器(4)按照预先设定的分析处理频率、分析处理的数字脑电信号数量M以及分析处理的各数字脑电信号的编号,且按照时间先后顺序对接收到的各采样周期内所采集16路数字脑电信号中的多路数字脑电信号分别连续进行分析处理,并根据分析处理结果对当前时刻被测试者是否处于疲劳驾驶状态进行相应检测判断,对每一个采集周期内所采集信号的分析处理方法均相同,且对于其中任一个采样周期而言,其分析处理过程如下:
301、脑电信号接收与同步存储:处理器(4)对此时所接收到的16路数字脑电信号xi(t)即当前采样周期内所采集的16路数字脑电信号xi(t)的编号进行判别,并将判别出的需分析处理的多路数字脑电信号分别对应存储至存储器(6)内预先建立的存储单元内,且对各存储单元内所存储的上一个采样周期内所采集信号进行替换,以对各存储单元内所存储信息进行实时更新;
302、分析处理时间判断:处理器(4)按照预先设定的分析处理频率,分析判断此时是否需对当前采样周期内所采集信号进行分析处理:当需对当前采样周期内所采集信号进行分析处理时,则进入步骤303;否则,转入步骤306;
303、脑电信号稀疏分解:处理器(4)对步骤302中多个存储单元内所存储的多路数字脑电信号分别进行稀疏分解与时频分析处理,多路所述数字脑电信号的稀疏分解与时频分析处理过程同步进行,且多个所述数字脑电信号的稀疏分解方法均相同,对于其中任一路数字脑电信号x(t)而言,其稀疏分解处理过程如下:
3031、原子库生成:处理器(4)调用匹配追踪算法模块且根据最大匹配投影原理,将高斯型函数变换为并相应生成过完备库,式中r=(s,u,v,w)是时频参数,s为尺度参数,u为位移参数,v为频率参数,w为相位参数,ψr(t)为一个Gabor函数即Gabor原子,由Gabor原子构成的信号空间为Gabor字典,所述Gabor字典为生成的过完备库:D={ψr(t)};
3032、原子库索引生成:处理器(4)调用Mallat索引算法模块对步骤3031中所生成的Gabor字典D={ψr(t)}进行离散化处理,即对Gabor字典中Gabor原子的时频参数进行离散化,离散化后Gabor原子的时频参数为rα={(αj,pαjΔu,kαjΔv,iΔw)},其中α=2,Δu=1/2,Δv=π,Δω=π/6,且离散化后得到一个离散的过完备库:其中索引参数的取值范围为0<j≤log2N-1,0≤p≤2-j+1N,0≤k≤2j+1且0≤i≤12;N为所处理数字脑电信号x(t)的信号长度;
3033、稀疏分解:处理器(4)调用匹配追踪算法模块且利用步骤3032中离散后的过完备库和预先设定的迭代分解总次数m,对数字脑电信号x(t)进行迭代分解处理,并将数字脑电信号x(t)转换为式中Rm+1(t)为数字脑电信号x(t)经过m次迭代分解后的残值,为每次迭代分解时从离散后的过完备库中选出的最佳匹配原子,an为每次迭代后的最佳匹配原子与上一次迭代分解后残值的展开系数;对数字脑电信号x(t)进行m次迭代分解过程中,对每一次迭代分解后的展开系数an分别进行求解并同步存储至存储器(6)内;同时,对每一次迭代分解过程中所选出最佳匹配原子的时频参数sn、un、vn和wn分别进行求解并同步存储至存储器(6)内,其中n为迭代分解次数且n=1、2、3...m;经m次迭代分解后,则获得数字脑电信号x(t)的近似信号
304、疲劳驾驶状态判断:处理器(4)调用差值比较模块且按照预先设定的正常驾驶状态驾驶员脑电信号的正常展开系数a标或尺度参数变化率Δs标进行疲劳驾驶状态判断;
采用正常展开系数a标进行疲劳驾驶状态判断时,对步骤3033中存储在存储器(6)内的前L次迭代分解后的展开系数a1、a2...aL分别与a标进行差值比较,其中L=3、4或5,当判断得出前L次迭代分解后的展开系数a1、a2...aL的绝对值均小于a标时,说明此时被测试者处于正常驾驶状态;否则,说明被测试者处于疲劳驾驶状态;其中,a标=14~17;
采用尺度参数变化率Δs标进行疲劳驾驶状态判断时,先调用计算模块且根据公式计算得出m次迭代分解过程中尺度参数sn相对正常尺度参数sn标的尺度参数变化率Δsn,再对计算得出的前L次迭代分解后的尺度参数变化率Δs1、Δs2...ΔsL分别与Δs标进行差值比较,其中L=3、4或5,当判断得出前L次迭代分解后的尺度参数变化率Δs1、Δs2...ΔsL均小于Δs标时,说明此时被测试者处于正常驾驶状态;否则,说明被测试者处于疲劳驾驶状态;其中,Δs标=40%~60%,正常尺度参数sn标均等于64±2;其中,n为迭代分解次数且n=1、2...m;
305、疲劳驾驶状态判断结果输出:处理器(4)将步骤304中所作出的疲劳驾驶状态判断结果输出;
306、返回步骤301,对下一个采样周期内所采集的数字脑电信号进行分析处理。
6.按照权利要求5所述的基于匹配追踪算法的疲劳驾驶脑电检测方法,其特征在于:所述存储器(6)内预先存储有试验测试得出的驾驶员处于正常驾驶和疲劳驾驶状态时所采集脑电信号的时频分布函数和时频分布图;步骤3033中稀疏分解完成后,还需进行时频分析处理:处理器(4)调用魏格纳分布处理模块,对步骤3033中所获得的数字脑电近似信号进行时频分析处理,获得数字脑电近似信号x′(t)的时频分布函数:并同步进行存储,式中为最佳匹配原子的魏格纳分布且同时根据时频分布函数得出此时被测试者的时频分布图并同步进行存储;相应地,步骤304中进行疲劳驾驶状态判断时,处理器(4)调用时频差异比较模块对此时处理得出的数字脑电近似信号x′(t)的时频分布函数和时频分布图分别与预先存储在存储器(6)内的正常驾驶和疲劳驾驶状态时所采集脑电信号的时频分布函数和时频分布图进行对比,并根据比较结果判断此时被测试者是否处于疲劳驾驶状态。
7.按照权利要求5或6所述的基于匹配追踪算法的疲劳驾驶脑电检测方法,其特征在于:步骤一中所述的根据16导联脑电电极(1)中各导联脑电电极的布设位置相应对各导联脑电电极所提取的脑电信号进行编号时,将由前至后对分别布设在被测试者头部的左前额、右前额、左额、右额、左中央、右中央、左顶、右顶、左枕区、右枕区、左前颞、右前颞、左中颞、右中颞、左后颞、右后颞的16导联脑电电极(1)分别进行编号,且将16导联脑电电极(1)按照布设位置的左右对称关系划分为8个电极组,其中布设左前额和右前额的导联脑电电极为一组,布设在左额和右额的导联脑电电极为一组,布设在左中央和右中央的导联脑电电极为一组,布设在左顶和右顶的导联脑电电极为一组,布设在左枕区和右枕区的导联脑电电极为一组,布设在左前颞和右前颞的导联脑电电极为一组,布设在左中颞和右中颞的导联脑电电极为一组,布设在左后颞和右后颞的导联脑电电极为一组。
8.按照权利要求7所述的基于匹配追踪算法的疲劳驾驶脑电检测方法,其特征在于:步骤三中分析处理的数字脑电信号数量M为2个、4个、6个或8个,则M=2、4、6或8,数字脑电信号为布设在左前额、右前额、左额、右额、左顶、右顶、左枕区和右枕区四组导联脑电电极中的任意一组、任意两组、任意三组或四组导联脑电电极。
9.按照权利要求5或6所述的基于匹配追踪算法的疲劳驾驶脑电检测方法,其特征在于:步骤304中判断得出被测试者处于疲劳驾驶状态时,还需对被测试者的疲劳驾驶程度进行分析判断:当前L次迭代分解后的尺度参数s1、s2...sL均不大于s重,则说明被测试者处于重度疲劳状态;如尺度参数s1、s2...sL中存在着大于s重的参数且均不大于S中,说明被测者处于中度疲劳状态;否则被测试者处于轻度疲劳状态,其中s重=16±1,s中=32±1。
10.按照权利要求5或6所述的基于匹配追踪算法的疲劳驾驶脑电检测方法,其特征在于:步骤一中所述的脑电信号提取与同步放大之前,通过参数设置单元(5)对初始参数进行设定,所述初始参数包括采样频率、分析处理频率、分析处理的数字脑电信号数量M、分析处理的各数字脑电信号的编号、迭代分解总次数m、正常展开系数a标、尺度参数变化率Δs标和正常尺度参数sn标进行设定;步骤二中所述的采样频率为100Hz~1000Hz;步骤三中所述的分析处理频率为0.0005Hz~0.1Hz。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110038017A CN102119857B (zh) | 2011-02-15 | 2011-02-15 | 基于匹配追踪算法的疲劳驾驶脑电检测系统及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110038017A CN102119857B (zh) | 2011-02-15 | 2011-02-15 | 基于匹配追踪算法的疲劳驾驶脑电检测系统及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102119857A true CN102119857A (zh) | 2011-07-13 |
CN102119857B CN102119857B (zh) | 2012-09-19 |
Family
ID=44248592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110038017A Expired - Fee Related CN102119857B (zh) | 2011-02-15 | 2011-02-15 | 基于匹配追踪算法的疲劳驾驶脑电检测系统及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102119857B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102697494A (zh) * | 2012-06-14 | 2012-10-03 | 西南交通大学 | 高速列车驾驶员无线可穿戴脑电信号采集设备 |
CN103530986A (zh) * | 2012-07-02 | 2014-01-22 | 内蒙古大学 | 基于脑电波和Zigbee的疲劳驾驶预警系统 |
CN103919565A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种疲劳驾驶脑电信号特征提取与识别的方法 |
CN104095630A (zh) * | 2014-07-29 | 2014-10-15 | 杭州电子科技大学 | 一种基于脑电相位同步的疲劳检测方法 |
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 |
CN104305964A (zh) * | 2014-11-11 | 2015-01-28 | 东南大学 | 头戴式疲劳检测装置及方法 |
CN104586388A (zh) * | 2015-01-26 | 2015-05-06 | 山东大学齐鲁医院 | 一种基于脑电图识别的疲劳驾驶检测系统 |
CN104700572A (zh) * | 2015-03-24 | 2015-06-10 | 安徽师范大学 | 一种防疲劳驾驶智能头枕及其控制方法 |
CN105205989A (zh) * | 2015-08-18 | 2015-12-30 | 奇瑞汽车股份有限公司 | 一种防疲劳驾驶智能头枕 |
CN105726046A (zh) * | 2016-01-29 | 2016-07-06 | 西南交通大学 | 一种驾驶员警觉度状态检测方法 |
CN105962932A (zh) * | 2016-04-20 | 2016-09-28 | 西安电子科技大学 | 基于子空间正交向量的峰电位检测方法 |
CN106580320A (zh) * | 2016-12-16 | 2017-04-26 | 长春大学 | 基于视觉诱发的脑电信号特征分析方法及系统 |
CN106855941A (zh) * | 2016-12-09 | 2017-06-16 | 清华大学 | 基于雷达微多普勒信号稀疏优化的手势识别方法及系统 |
CN107334481A (zh) * | 2017-05-15 | 2017-11-10 | 清华大学 | 一种驾驶分心检测方法及系统 |
CN108711445A (zh) * | 2018-03-19 | 2018-10-26 | 常州大学 | 一种vr-脑电反馈多人多组对抗型adhd康复治疗系统 |
CN109620148A (zh) * | 2018-11-29 | 2019-04-16 | 西安交通大学 | 一种基于稀疏极限学习机算法的癫痫检测集成电路 |
CN109770895A (zh) * | 2017-11-15 | 2019-05-21 | 厦门雅迅网络股份有限公司 | 一种疲劳驾驶监测方法和终端 |
CN110464371A (zh) * | 2019-08-29 | 2019-11-19 | 苏州中科先进技术研究院有限公司 | 基于机器学习的疲劳驾驶检测方法及系统 |
CN116035597A (zh) * | 2023-02-03 | 2023-05-02 | 首都医科大学宣武医院 | 一种脑电信号耦合分析方法、装置和系统 |
CN117992836A (zh) * | 2024-04-07 | 2024-05-07 | 华能澜沧江水电股份有限公司 | 电能质量信号降噪方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2891967Y (zh) * | 2006-04-21 | 2007-04-25 | 北京易飞华通科技开发有限公司 | 司机疲劳驾驶监测及反馈刺激仪 |
US20100156617A1 (en) * | 2008-08-05 | 2010-06-24 | Toru Nakada | Apparatus, method, and program of driving attention amount determination |
US20100241021A1 (en) * | 2008-09-19 | 2010-09-23 | Koji Morikawa | Distraction detection apparatus, distraction detection method, and computer program |
-
2011
- 2011-02-15 CN CN201110038017A patent/CN102119857B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN2891967Y (zh) * | 2006-04-21 | 2007-04-25 | 北京易飞华通科技开发有限公司 | 司机疲劳驾驶监测及反馈刺激仪 |
US20100156617A1 (en) * | 2008-08-05 | 2010-06-24 | Toru Nakada | Apparatus, method, and program of driving attention amount determination |
US20100241021A1 (en) * | 2008-09-19 | 2010-09-23 | Koji Morikawa | Distraction detection apparatus, distraction detection method, and computer program |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102697494A (zh) * | 2012-06-14 | 2012-10-03 | 西南交通大学 | 高速列车驾驶员无线可穿戴脑电信号采集设备 |
CN102697494B (zh) * | 2012-06-14 | 2015-12-09 | 西南交通大学 | 高速列车驾驶员无线可穿戴脑电信号采集设备 |
CN103530986B (zh) * | 2012-07-02 | 2016-12-21 | 内蒙古大学 | 基于脑电波和Zigbee的疲劳驾驶预警系统 |
CN103530986A (zh) * | 2012-07-02 | 2014-01-22 | 内蒙古大学 | 基于脑电波和Zigbee的疲劳驾驶预警系统 |
CN103919565A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种疲劳驾驶脑电信号特征提取与识别的方法 |
CN104095630A (zh) * | 2014-07-29 | 2014-10-15 | 杭州电子科技大学 | 一种基于脑电相位同步的疲劳检测方法 |
CN104095630B (zh) * | 2014-07-29 | 2016-02-10 | 杭州电子科技大学 | 一种基于脑电相位同步的疲劳检测方法 |
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 |
CN104146722B (zh) * | 2014-08-18 | 2017-02-15 | 吉林大学 | 一种基于头部信号的驾驶疲劳检测分级预警方法 |
CN104305964A (zh) * | 2014-11-11 | 2015-01-28 | 东南大学 | 头戴式疲劳检测装置及方法 |
CN104586388A (zh) * | 2015-01-26 | 2015-05-06 | 山东大学齐鲁医院 | 一种基于脑电图识别的疲劳驾驶检测系统 |
CN104700572A (zh) * | 2015-03-24 | 2015-06-10 | 安徽师范大学 | 一种防疲劳驾驶智能头枕及其控制方法 |
CN105205989A (zh) * | 2015-08-18 | 2015-12-30 | 奇瑞汽车股份有限公司 | 一种防疲劳驾驶智能头枕 |
CN105726046A (zh) * | 2016-01-29 | 2016-07-06 | 西南交通大学 | 一种驾驶员警觉度状态检测方法 |
CN105962932B (zh) * | 2016-04-20 | 2018-09-11 | 西安电子科技大学 | 基于子空间正交向量的峰电位检测方法 |
CN105962932A (zh) * | 2016-04-20 | 2016-09-28 | 西安电子科技大学 | 基于子空间正交向量的峰电位检测方法 |
CN106855941A (zh) * | 2016-12-09 | 2017-06-16 | 清华大学 | 基于雷达微多普勒信号稀疏优化的手势识别方法及系统 |
CN106855941B (zh) * | 2016-12-09 | 2019-08-09 | 清华大学 | 基于雷达微多普勒信号稀疏优化的手势识别方法及系统 |
CN106580320A (zh) * | 2016-12-16 | 2017-04-26 | 长春大学 | 基于视觉诱发的脑电信号特征分析方法及系统 |
CN107334481B (zh) * | 2017-05-15 | 2020-04-28 | 清华大学 | 一种驾驶分心检测方法及系统 |
CN107334481A (zh) * | 2017-05-15 | 2017-11-10 | 清华大学 | 一种驾驶分心检测方法及系统 |
CN109770895A (zh) * | 2017-11-15 | 2019-05-21 | 厦门雅迅网络股份有限公司 | 一种疲劳驾驶监测方法和终端 |
CN108711445A (zh) * | 2018-03-19 | 2018-10-26 | 常州大学 | 一种vr-脑电反馈多人多组对抗型adhd康复治疗系统 |
CN109620148A (zh) * | 2018-11-29 | 2019-04-16 | 西安交通大学 | 一种基于稀疏极限学习机算法的癫痫检测集成电路 |
CN109620148B (zh) * | 2018-11-29 | 2020-03-31 | 西安交通大学 | 一种基于稀疏极限学习机算法的癫痫检测集成电路 |
CN110464371A (zh) * | 2019-08-29 | 2019-11-19 | 苏州中科先进技术研究院有限公司 | 基于机器学习的疲劳驾驶检测方法及系统 |
CN116035597A (zh) * | 2023-02-03 | 2023-05-02 | 首都医科大学宣武医院 | 一种脑电信号耦合分析方法、装置和系统 |
CN117992836A (zh) * | 2024-04-07 | 2024-05-07 | 华能澜沧江水电股份有限公司 | 电能质量信号降噪方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102119857B (zh) | 2012-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102119857A (zh) | 基于匹配追踪算法的疲劳驾驶脑电检测系统及检测方法 | |
Wang et al. | A driving fatigue feature detection method based on multifractal theory | |
CN106405339B (zh) | 基于高低频小波特征关联的输电线路故障原因辨识方法 | |
CN104665849B (zh) | 一种基于多生理信号多模型交互的高铁调度员应激检测方法 | |
CN102469948B (zh) | 用于车辆安全、个性化和驾驶员的心脏活动监控的系统 | |
CN105877766A (zh) | 一种基于多生理信号融合的精神状态检测系统及方法 | |
CN108903936B (zh) | 基于人体信息和环境信息融合的智能矿用头盔控制方法 | |
CN110151203A (zh) | 基于多级雪崩式卷积递归网络eeg分析的疲劳驾驶识别方法 | |
CN105512474A (zh) | 一种变压器状态监测数据的异常检测方法 | |
CN105320969A (zh) | 基于多尺度Renyi熵的心率变异性特征分类方法 | |
CN102931728B (zh) | 基于小波多分辨率分析的电网扰动在线辨识及可视化方法 | |
CN102133100A (zh) | 基于稀疏重表示的脑电信号检测方法 | |
CN108836324B (zh) | 一种基于脑电信号监测的疲劳驾驶预警方法及系统 | |
CN104720796A (zh) | 一种用于癫痫发作时间段的自动检测系统及方法 | |
CN113743471A (zh) | 一种驾驶评估方法及其系统 | |
WO2023098303A1 (zh) | 面向癫痫视频脑电图检查的癫痫发作实时检测监控系统 | |
CN110353673A (zh) | 一种基于标准互信息的脑电通道选择方法 | |
CN104095630B (zh) | 一种基于脑电相位同步的疲劳检测方法 | |
CN103549949A (zh) | 基于确定学习理论的心肌缺血辅助检测方法 | |
CN105615878A (zh) | 一种疲劳驾驶脑电监测方法 | |
EP2471017B1 (de) | Verfahren und system zur speicherung und auswertung von daten, insbesondere vitaldaten | |
CN108711204B (zh) | 一种综合人-车-路多源信息的行车异常检测系统及方法 | |
CN101632587A (zh) | 一种基于小波变换的步态信号提取方法 | |
CN104794505A (zh) | 一种多通道的脑电信号数据融合降维方法 | |
CN204890010U (zh) | 一种驾驶员测评系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120919 Termination date: 20150215 |
|
EXPY | Termination of patent right or utility model |