CN102184415B - 一种基于脑电信号的疲劳状态识别方法 - Google Patents

一种基于脑电信号的疲劳状态识别方法 Download PDF

Info

Publication number
CN102184415B
CN102184415B CN 201110127576 CN201110127576A CN102184415B CN 102184415 B CN102184415 B CN 102184415B CN 201110127576 CN201110127576 CN 201110127576 CN 201110127576 A CN201110127576 A CN 201110127576A CN 102184415 B CN102184415 B CN 102184415B
Authority
CN
China
Prior art keywords
fatigue
degree
sample
signal
index
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.)
Expired - Fee Related
Application number
CN 201110127576
Other languages
English (en)
Other versions
CN102184415A (zh
Inventor
张莉
王鹏
王宇丁
何传红
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN 201110127576 priority Critical patent/CN102184415B/zh
Publication of CN102184415A publication Critical patent/CN102184415A/zh
Application granted granted Critical
Publication of CN102184415B publication Critical patent/CN102184415B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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脑电信号的疲劳状态识别方法，方法包括：通过EEG数据采集仪从人体头皮表面记录不同疲劳状态下的脑电信号，通过信号采集模拟电路滤出信号中的干扰成分，再将微弱的电信号程控放大并消除电平飘移，得到的模拟脑电信号经数字电路进行AD转换成数字脑电信号传输给主机进行处理；主机首先对信号进行预处理，然后提取每通道信号的特征信息，构造特征向量，最后采用基于模糊模式识别的评估方法，根据所得到的脑电特征评估疲劳程度；本发明结合了生物医学信号处理技术及模糊模式识别技术，提出了一种客观的可行的精神疲劳评估方法，使基于脑电信号的检测与识别在精神疲劳评估领域的应用得到技术上的极大提升。

Description

一种基于脑电信号的疲劳状态识别方法
技术领域
本发明属于生物医学、信号处理和模式识别技术领域，具体涉及一种基于脑电信号的疲劳状态识别方法，通过基于脑电信号的检测与识别实现对人体疲劳状态的评估。
背景技术
人在经过一段时间工作，特别是长时间的精神或体力劳动后，会产生精神疲劳，引起生理与心理状态的变化，包括继续努力时难度的增加和信息分析能力下降趋势的增强，行为组织能力的下降以及心情的变化等。在现代社会中，特别是诸如实时监控、交通运输、高危作业、航空航天等作业情况下，由于疲劳状态下警觉性、持续性注意力、工作记忆力，判断力、决策制定等能力的下降，工作人员非常容易出现随意操作和违章行为，从而引发安全事故。因此，建立起客观、可靠，并且对正常工作无干扰的精神疲劳检测方法和评估系统，对于防范由于精神疲劳引发的安全事故是十分必要的，具有极大的经济和社会价值。
精神疲劳检测评估方法通常分为主观方法和客观方法两类。目前主要采用主观的方法进行评估，根据受试者的身体、神经感受状态来判断疲劳的程度。然而，这些方法易受主观因素的影响，不能客观的进行定量评估，无法反映疲劳程度的变化情况，并且评分标准也不易统一。现阶段研究的客观方法主要是利用基于生理特征分析的方法加以评估，这些生理特征主要包括通过脑电信号（electroencephalogram, EEG）检测的脑活动，通过心电信号检测的心率变异性，通过肌电信号检测的皮肤电反应，通过动态图像观测到的眼动、头动、面部表情等。在这些生理信息来源中，EEG被认为是最有前途、最可预报的和最可靠的。EEG能够客观的记录大脑机能状态的连续变化，是人脑思维活动、认知和意识状态的一种外在表现。利用EEG来研究人的精神疲劳程度，采用各种高效的信号处理技术挖掘EEG所蕴涵的丰富信息，实现对疲劳状态的判定与评估，是非常重要而又有前途的途径。
近年来，EEG检测技术的进步和现代信号处理技术的发展，推动了基于EEG的精神疲劳研究。目前利用脑电信号分析精神疲劳主要有两类研究方法：一是利用事件相关电位（event related potential, ERP）,二是利用自发脑电信号。ERP是一种诱发脑电，需要外加特定的刺激才能产生，因此在汽车驾驶、高危作业、航空航天等作业情况下，是不可能同期采集ERP信号的，这就极大的限制了该类方式的应用范围。而自发脑电是大脑皮层神经电活动本身自发产生的持续性的电位变化，可以在作业的同期采集，对作业无干扰。
发明内容
本发明的目的是提出一种基于脑电信号的疲劳状态识别方法。精神疲劳程度是一个模糊概念，不同疲劳状态之间的边界是不分明的，应用模糊模式识别来判定精神疲劳程度相比传统的分类方法更合理，能提高对精神疲劳的分类识别正确率。
本发明为一种基于自发脑电信号（以下简称EEG）的疲劳状态识别方法，其特征为，该方法通过EEG数据采集仪从人体头皮表面记录不同疲劳状态下的脑电信号，然后对所采集的信号进行信号放大、滤波、转换为数字信号，并且通过无线通信传输给主机，主机软件处理接收到的无线脑电数据，首先对信号进行预处理，然后提取每通道信号的特征信息，构造特征向量，最后采用基于模糊模式识别的评估方法，根据所得到的脑电特征评估疲劳程度。
本发明所提出的精神疲劳评估方法和系统对EEG进行处理的方法如下： 
1、EEG采集
EEG的幅度在微伏量级，并且信号中含有很强的干扰。在本方案中，首先对模拟脑电信号进行预处理，包括对信号进行前置放大、高通滤波、低通滤波、后级放大及电平迁移，然后进行A/D采样，输入到FPGA芯片中进行信号处理，包括50 Hz陷波和去基线漂移，然后经无线发射器发送出去。数字脑电信号经无线接收器接收后由微处理器进行处理，再通过USB接口芯片上传PC机进行下一步的处理。
2、信号特征提取
PC机中对采集的脑电数据进行特征提取，以delta（δ）：0-3.5Hz、theta（θ）：3.5-8Hz、alpha（α）：8-13Hz、beta（β）：13-30Hz四种脑电基本节律的相对能量作为特征，因为δ、θ、α、β节律相对能量之和为1，为避免冗余，只选取δ、θ、α三个节律相对能量作为特征信息。
3、模糊模式识别
精神疲劳程度是一个模糊概念，记为A，设有需要对模糊概念A进行识别的n个样本组成的集合，有m个指标特征值表示样本的整体特性，则有样本集的指标特征值矩阵
                            (1)
式中
Figure 981273DEST_PATH_IMAGE002
表示样本j指标i的特征值，i=1,2, … ,m;  j=1,2 … ,n。
如样本集依据m个指标按c个级别的已知指标标准特征值进行识别，则有指标标准特征值矩阵
Figure 886912DEST_PATH_IMAGE003
                            (2)
式中表示状态或级别h指标i标准特征值，h=1，2，…，c； i=1，2，…，m。
若规定1级精神状态为不疲劳状态，其评价指标i的标准特征值对于疲劳程度的相对隶属度
Figure 372885DEST_PATH_IMAGE006
；c级精神状态为非常疲劳状态，其评价指标
Figure 449426DEST_PATH_IMAGE007
对于疲劳程度的相对隶属度
Figure 32854DEST_PATH_IMAGE008
，则人体精神疲劳状态标准指标的相对隶属度
Figure 143209DEST_PATH_IMAGE009
可根据如下线性公式确定
                         
Figure 452968DEST_PATH_IMAGE010
                                     (3)
由此可将矩阵Y变换为相应的相对隶属度矩阵S
Figure 461375DEST_PATH_IMAGE011
                             (4)
类似地，可根据下式
  
Figure 514782DEST_PATH_IMAGE012
                              (5)
将指标值越大疲劳程度越深的样本指标值
Figure 292245DEST_PATH_IMAGE002
变为相应的相对隶属度
Figure 710588DEST_PATH_IMAGE013
。相反，对于指标值越小疲劳程度越深的指标用下式进行变换。
Figure 3029DEST_PATH_IMAGE014
                              (6)
由此可将矩阵X变换为相应的相对隶属度矩阵
Figure 797810DEST_PATH_IMAGE015
                             (7)
将样本j的m个指标相对隶属度
Figure 429779DEST_PATH_IMAGE016
，
Figure 81340DEST_PATH_IMAGE017
，… ，
Figure 64340DEST_PATH_IMAGE018
分别与矩阵S的第1，第2，…，第m行的行向量逐一进行比较，可得样本j的级别上限值
Figure 2011101275760100002DEST_PATH_IMAGE019
和级别下限值（1≤
Figure 895427DEST_PATH_IMAGE019
≤c，1≤
Figure 983469DEST_PATH_IMAGE020
≤c）。
设样本集对模糊概念A各个级别的相对隶属度矩阵为
Figure 2011101275760100002DEST_PATH_IMAGE021
                           (8)
式中表示样本j对A级别h的相对隶属度，j=1，2，…，n； h=1，2，…，c。
由于样本j在级别区间
Figure 324769DEST_PATH_IMAGE020
，
Figure 665751DEST_PATH_IMAGE019
范围内，故矩阵U应满足归一化约束条件
Figure 924694DEST_PATH_IMAGE023
                            (9)
样本j与级别h之间的差异用广义欧式距离表示为
Figure 616707DEST_PATH_IMAGE024
                            (10)
为了完善地描述样本j与级别h之间的差异，定义下式
Figure 291402DEST_PATH_IMAGE025
                                  (11)
Figure 814787DEST_PATH_IMAGE026
以
Figure 182314DEST_PATH_IMAGE022
为权重，称为加权广义欧式距离。
为了求解样本j对模糊概念A的级别h的最优相对隶属度，建立目标函数，
                                                    (12)
根据目标函数和约束条件构造拉格朗日函数，求得最优相对隶属矩阵，矩阵中的各元素由下式确定
  
Figure 636746DEST_PATH_IMAGE028
                  (13)
最后应当用级别特征值F 1,F 2,…,F c，对疲劳程度进行判断，级别特征值公式表示为：
Figure 217900DEST_PATH_IMAGE029
            (14)
H是包含n个元素的向量， 为样本j的级别特征值，如果
Figure 2011101275760100002DEST_PATH_IMAGE031
，则判断样本j隶属于级别m。
 根据上述方法可以构建基于脑电信号的精神疲劳评估系统，该系统包括信号采集和主处理器，信号采集部分通过信号采集模拟电路滤出信号中的干扰成分，再将微弱的电信号程控放大并消除电平飘移，得到的模拟脑电信号经数字电路进行AD转换成数字脑电信号，然后经无线发射器发送出去；主处理器部分通过无线接收器接收到信号后再通过USB接口芯片上传PC机，在PC机中将完成对EEG的预处理和特征提取，并判断待识别EEG所对应的疲劳程度。
本发明结合了生物医学信号处理技术及模糊模式识别技术，提出了一种客观的可行的精神疲劳评估方法，使基于脑电信号的检测与识别在精神疲劳评估领域的应用得到技术上的极大提升。
附图说明
图1：是实现本发明方法的精神疲劳评估系统的方框图；
图2：是本发明方法的精神疲劳评估算法框图；
图3：是实现本发明方法的模糊模式识别算法程序流程图。
具体实施方式
以下结合附图说明该方法及系统的具体实施方式：
图1表示实现本发明方法的精神疲劳评估系统的方框图。利用这个系统可以实现对被检测对象进行精神疲劳评估并输出评估结果。
如图1所示，该系统包括了EEG采集模拟电路、采集数字电路、无线发射和接收电路、微处理器、USB接口芯片和PC机等六大部分。信号采集部分通过电极检测到受试者头皮表面的原始脑电信号，脑电信号采集模拟电路滤出干扰信号并将人脑上的微弱的电信号程控放大并消除电平飘移，得到的模拟脑电信号经数字电路进行AD转换成数字脑电信号，然后经无线发射器发送出去，数字脑电信号经无线接收器接收后由微处理器进行处理，再通过USB接口芯片上传到PC机上。在PC机上首先提取各通道脑电信号进行预处理，提取频带特征信息，然后对这些特征信息进行分类识别，评估受试者所处的精神疲劳状态。
系统中的PC机对采集到的EEG信号进行的信号处理具体步骤如下： 
（1）对采集的脑电数据进行预处理，即进行数字滤波，提取0-30Hz的信号频率成分，然后进行特征提取：计算δ、θ、α和β四个节律的能量E δ ，E θ ，E α ，E β ，计算总能量
Figure 157355DEST_PATH_IMAGE032
和相对能量。因为δ、θ、α、β节律相对能量之和为1，为避免冗余，只选取δ、θ、α三个节律相对能量作为各通道EEG信号的特征信息。
（2）通过模糊模式识别算法判断从（1）中提取的特征所对应的疲劳状态。下面以不疲劳，中度疲劳，非常疲劳三级疲劳状态分级为例，对本发明作进一步的说明。设精神疲劳程度分为3个级别：级别1——不疲劳，级别2——中度疲劳，级别3——非常疲劳，这三个级别的级别特征值F 1，F 2，F 3分别设为：0，0.5，1。级别1对疲劳的相对隶属度为0，对疲劳的相对隶属度随着级别特征值的增大而升高，级别3对疲劳的相对隶属度为1。
①在训练阶段，得到三级疲劳状态标准特征值矩阵。其具体步骤为：记录受试者在这三种状态下的三导（Fp1、Fp2、Fpz）脑电数据，每种状态数据N组，三种状态共计3×N组脑电数据。以每导EEG数据的δ、θ、α三个节律相对能量p δ ，p θ ，p α 为特征，三导脑电数据一共有9个特征值，分别对每种状态各组数据的9个特征值进行平均，作为该状态的9个标准指标，可得三级疲劳状态标准特征值矩阵为
                                         
②在测试阶段，记录受试者在某种状态下的三导（Fp1、Fp2、Fpz）脑电数据，提取测试数据的特征值组成样本指标矩阵
Figure 2011101275760100002DEST_PATH_IMAGE035
，根据公式（4）至（7）可将矩阵X与Y变换为相应的相对隶属度矩阵R和S。
，
Figure 53264DEST_PATH_IMAGE037
将矩阵R，S中数据，带入模型（13）得到该组测试数据对于各级疲劳程度的相对隶属度矩阵
Figure 207164DEST_PATH_IMAGE038
。最后应用公式（14）计算得到该组测试样本的级别特征值向量：
Figure 27353DEST_PATH_IMAGE039
根据级别特征值向量H的值判断测试样本所隶属的疲劳级别。

Claims (1)

1.一种基于脑电信号的疲劳状态识别方法，其特征在于，方法包括：
（1）通过脑电信号数据采集仪从人体头皮表面记录不同疲劳状态下的脑电信号，通过信号采集模拟电路滤出信号中的干扰成分，再将微弱的电信号程控放大并消除电平飘移，得到的模拟脑电信号经数字电路进行模数转换成数字脑电信号传输给主机进行处理；
（2）主机首先对信号进行预处理，然后提取每通道信号的特征信息，构造特征向量，最后采用基于模糊模式识别的评估方法，根据所得到的脑电特征评估疲劳程度；对所采集的脑电信号进行处理的方法如下： 
a、信号预处理
对采集的脑电数据进行预处理，即进行数字滤波，提取0-30Hz的信号频率成分；
b、信号特征提取
对采集的脑电数据进行特征提取，以四种脑电基本节律的相对能量作为特征，它们是：δ：0-3.5Hz、θ：3.5-8Hz、α：8-13Hz、β：13-30Hz，由于δ、θ、α、β节律相对能量之和为1，只选取δ、θ、α三个节律相对能量作为特征信息；
c、模糊模式识别
精神疲劳程度是一个模糊概念，记为A，设有需要对模糊概念A进行识别的n个样本组成的集合，有m个指标特征值表示样本的整体特性，则有样本集的指标特征值矩阵
Figure 2011101275760100001DEST_PATH_IMAGE001
                   (1)
式中表示样本j指标i的特征值，i=1,2, … ,m;  j=1,2 … ,n；
设样本集依据m个指标按c个级别的已知指标标准特征值进行识别，则有指标标准特征值矩阵
Figure 2011101275760100001DEST_PATH_IMAGE003
                  (2)
式中
Figure 520371DEST_PATH_IMAGE004
表示状态或级别h指标i标准特征值，h=1，2，…，c； i=1，2，…，m；
若规定1级精神状态为不疲劳状态，其评价指标i的标准特征值对于疲劳程度的相对隶属度；c级精神状态为非常疲劳状态，其评价指标
Figure 2011101275760100001DEST_PATH_IMAGE007
对于疲劳程度的相对隶属度，则人体精神疲劳状态标准指标
Figure 26811DEST_PATH_IMAGE004
的相对隶属度
Figure 2011101275760100001DEST_PATH_IMAGE009
可根据如下线性公式确定
   
Figure 239617DEST_PATH_IMAGE010
                             (3)              
由此可将矩阵Y变换为相应的相对隶属度矩阵S
Figure 2011101275760100001DEST_PATH_IMAGE011
                   (4)
可根据下式
  
Figure 820771DEST_PATH_IMAGE012
                 (5)
将指标值越大疲劳程度越深的样本指标值
Figure 155938DEST_PATH_IMAGE002
变为相应的相对隶属度
Figure 2011101275760100001DEST_PATH_IMAGE013
；相反，对于指标值越小疲劳程度越深的指标用下式进行变换；
Figure 822542DEST_PATH_IMAGE014
                    (6)
由此可将矩阵X变换为相应的相对隶属度矩阵
Figure 2011101275760100001DEST_PATH_IMAGE015
                       (7)
将样本j的m个指标相对隶属度
Figure 352224DEST_PATH_IMAGE016
，
Figure 2011101275760100001DEST_PATH_IMAGE017
，… ，
Figure 787884DEST_PATH_IMAGE018
分别与矩阵S的第1，第2，…，第m行的行向量逐一进行比较，可得样本j的级别上限值
Figure 2011101275760100001DEST_PATH_IMAGE019
和级别下限值
Figure 497214DEST_PATH_IMAGE020
（1≤
Figure 385536DEST_PATH_IMAGE019
≤c，1≤
Figure 268041DEST_PATH_IMAGE020
≤c）；
设样本集对模糊概念A各个级别的相对隶属度矩阵为
Figure 2011101275760100001DEST_PATH_IMAGE021
                (8)
式中表示样本j对A级别h的相对隶属度，j=1，2，…，n； h=1，2，…，c；
由于样本j在级别区间
Figure 936975DEST_PATH_IMAGE020
，
Figure 374909DEST_PATH_IMAGE019
范围内，故矩阵U应满足归一化约束条件
Figure 2011101275760100001DEST_PATH_IMAGE023
                      (9)
样本j与级别h之间的差异用广义欧式距离表示为
Figure 733209DEST_PATH_IMAGE024
                     (10)
为了完善地描述样本j与级别h之间的差异，定义下式
Figure 2011101275760100001DEST_PATH_IMAGE025
                          (11)
Figure 143462DEST_PATH_IMAGE026
以
Figure 696060DEST_PATH_IMAGE022
为权重，称为加权广义欧式距离；
为了求解样本j对模糊概念A的级别h的最优相对隶属度，建立目标函数，
  
Figure 2011101275760100001DEST_PATH_IMAGE027
               (12)        
根据目标函数和约束条件构造拉格朗日函数，求得最优相对隶属矩阵，矩阵中的各元素由下式确定
  
Figure 558973DEST_PATH_IMAGE028
           (13)
最后应当用级别特征值F 1,F 2,…,F c，对疲劳程度进行判断，级别特征值公式表示为：
Figure 2011101275760100001DEST_PATH_IMAGE029
   (14)
H是包含n个元素的向量，
Figure 720964DEST_PATH_IMAGE030
为样本j的级别特征值，如果
Figure 2011101275760100001DEST_PATH_IMAGE031
，则判断样本j隶属于级别k。
CN 201110127576 2011-05-17 2011-05-17 一种基于脑电信号的疲劳状态识别方法 Expired - Fee Related CN102184415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110127576 CN102184415B (zh) 2011-05-17 2011-05-17 一种基于脑电信号的疲劳状态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110127576 CN102184415B (zh) 2011-05-17 2011-05-17 一种基于脑电信号的疲劳状态识别方法

Publications (2)

Publication Number Publication Date
CN102184415A CN102184415A (zh) 2011-09-14
CN102184415B true CN102184415B (zh) 2013-01-02

Family

ID=44570588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110127576 Expired - Fee Related CN102184415B (zh) 2011-05-17 2011-05-17 一种基于脑电信号的疲劳状态识别方法

Country Status (1)

Country Link
CN (1) CN102184415B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103606245B (zh) * 2013-11-08 2015-11-18 北京工业大学 基于蓝牙脑电耳机和安卓手机的疲劳驾驶检测预警系统
CN103815901B (zh) * 2013-11-22 2015-09-09 刘志勇 一种应用于单导联便携式脑电设备的频域特征提取方法
CN104318253A (zh) * 2014-11-11 2015-01-28 东南大学 Mooc在线学习模式识别系统及方法
CN104523268B (zh) * 2015-01-15 2017-02-22 江南大学 一种具备迁移学习能力的脑电信号识别模糊系统方法
CN104887222B (zh) * 2015-05-11 2018-02-02 重庆大学 可逆化脑电信号分析方法
CN105249961B (zh) * 2015-11-02 2017-11-24 东南大学 基于蓝牙脑电耳机的实时驾驶疲劳检测系统及检测方法
CN106951711B (zh) * 2017-03-22 2019-04-26 中国科学院深圳先进技术研究院 一种腰椎间盘突出症患者推拿效果的评估方法及系统
WO2018170792A1 (zh) * 2017-03-22 2018-09-27 中国科学院深圳先进技术研究院 一种腰椎间盘突出症患者推拿效果的评估方法及系统
CN108272463A (zh) * 2017-08-07 2018-07-13 上海交通大学 一种基于脑电信号的飞行员疲劳检测方法
CN108961680B (zh) * 2018-07-20 2020-09-22 武汉理工大学 一种酒后驾驶和疲劳驾驶判别系统的性能检测系统及方法
CN109480835B (zh) * 2018-12-29 2021-04-27 中国人民解放军联勤保障部队第九00医院 一种基于长短期记忆神经网络的精神疲劳检测方法
CN112256122B (zh) * 2020-09-25 2022-08-19 北京师范大学 基于精神疲劳的操控工效分析方法、设备及系统
CN112545518B (zh) * 2020-12-11 2021-11-26 电子科技大学 一种基于脑波音乐的疲劳检测方法及系统
CN112641449A (zh) * 2020-12-18 2021-04-13 浙江大学 一种基于eeg信号的脑神经功能状态检测的快速评估方法
CN113017652A (zh) * 2021-03-24 2021-06-25 湖北省麦诗特生物科技有限公司 一种脑电图法用于化妆品消费者神经舒缓功效评估的方法和应用
CN113762104A (zh) * 2021-08-23 2021-12-07 北京航空航天大学 基于脑电信号的情景意识评估方法、装置及电子设备
CN114767133B (zh) * 2022-03-31 2024-09-20 同济大学 一种基于多信息融合的疲劳检测方法
CN114886388B (zh) * 2022-07-12 2022-11-22 浙江普可医疗科技有限公司 一种麻醉深度监测过程中脑电信号质量的评估方法及装置

Citations (2)

* 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
CN101690659A (zh) * 2009-09-29 2010-04-07 华东理工大学 脑电波分析方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2002951605A0 (en) * 2002-09-24 2002-10-10 University Of Technology, Sydney Eeg-based fatigue detection
WO2006096135A1 (en) * 2005-03-08 2006-09-14 National University Of Singapore A system and method for monitoring mental fatigue

Patent Citations (2)

* 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
CN101690659A (zh) * 2009-09-29 2010-04-07 华东理工大学 脑电波分析方法

Also Published As

Publication number Publication date
CN102184415A (zh) 2011-09-14

Similar Documents

Publication Publication Date Title
CN102184415B (zh) 一种基于脑电信号的疲劳状态识别方法
Li et al. Multi-modal bioelectrical signal fusion analysis based on different acquisition devices and scene settings: Overview, challenges, and novel orientation
CN102319067B (zh) 用于大脑记忆功能改善的基于脑电信号的神经反馈训练仪
CN107822623A (zh) 一种基于多源生理信息的驾驶员疲劳及情绪评价方法
CN102715889B (zh) 一种脑力负荷检测方法
CN106691474A (zh) 融合脑电信号与生理信号的疲劳检测系统
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
CN101828921A (zh) 基于视觉诱发脑电vep的身份识别方法
CN103955269A (zh) 一种基于虚拟现实环境的智能眼镜脑-机接口方法
CN112137616B (zh) 一种多感觉脑-体联合刺激的意识检测装置
CN115640827B (zh) 对电刺激数据处理的智能闭环反馈网络方法及系统
CN102306303B (zh) 一种基于小训练样本的脑电信号特征提取方法
CN106236027B (zh) 一种脑电与温度相结合的抑郁人群判定系统
CN102542283A (zh) 脑机接口的最优电极组自动选取方法
CN112488002B (zh) 基于n170的情绪识别方法及识别系统
CN107479702A (zh) 一种使用脑电信号的人类情感优势度分类识别方法
CN113208593A (zh) 基于相关性动态融合的多模态生理信号情绪分类方法
Wang et al. Maximum weight multi-modal information fusion algorithm of electroencephalographs and face images for emotion recognition
Wang et al. Classification of EEG signal using convolutional neural networks
CN113951903B (zh) 基于脑电数据测定的高速铁路调度员超负荷状态识别方法
CN110367975A (zh) 一种基于脑机接口的疲劳驾驶检测预警方法
WO2024032728A1 (zh) 一种智能人机协同系统测评方法、装置及存储介质
CN113288168A (zh) 一种智能可穿戴疲劳监测及预警系统
CN114557708B (zh) 基于脑电双特征融合的体感刺激意识检测装置和方法
CN204631770U (zh) 一种用于运动想象脑电的脑机接口高效用户训练装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20130102

Termination date: 20170517