CN104305964B - 头戴式疲劳检测装置及方法 - Google Patents
头戴式疲劳检测装置及方法 Download PDFInfo
- Publication number
- CN104305964B CN104305964B CN201410633521.0A CN201410633521A CN104305964B CN 104305964 B CN104305964 B CN 104305964B CN 201410633521 A CN201410633521 A CN 201410633521A CN 104305964 B CN104305964 B CN 104305964B
- Authority
- CN
- China
- Prior art keywords
- tired
- fatigue
- module
- frequency
- signal
- 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.)
- Active
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/6803—Head-worn items, e.g. helmets, masks, headphones or goggles
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种头戴式疲劳检测装置及方法,其中检测装置包括:脑电采集模块,用于获取用户的原始脑电信号;脑电分析模块,用于实时接收所述原始脑电信号,并通过标准时频分析算法处理原始脑电信号,获得特征参数,包括脑电节律功率谱和眨眼频率;疲劳估计器,用于根据所述特征参数所处的空间分布实现对用户的疲劳程度的估计,生成疲劳估计结果;语音播报模块,用于将所述疲劳估计结果实时播放给用户;电源模块,用于为上述各模块提供能量。本发明结构简单,适用性广泛,性能优越,能够解决疲劳检测问题,具有较好的市场前景。
Description
技术领域
本发明属于生理参数检测领域,尤其是一种头戴式疲劳检测装置及方法。
背景技术
随着现代交通运输业的飞速发展,交通事故已成为当前全球所面临的严重问题。据统计,全世界每年因交通事故导致的死亡人数达60万,直接经济损失约125亿美元,这些事故中57%的灾难性事故与驾驶员疲劳驾驶有关。
近年来,疲劳检测问题已受到世界各国越来越多研究人员的关注。目前,疲劳驾驶的检测方法主要分为三大类,即基于行为特征的方法、基于图像处理的方法、基于生理检测的方法。
首先,基于行为特征的检测方法受到驾驶员驾驶习惯各异的制约,而且还受到长期强化训练因素的干扰。其次,基于图像处理的方法要求用户的面部必须处于合适的空间范围(超出范围就无法实现检测)、且摄像机要能拍摄到正面图像(非正面面部识别技术目前还存在短期无法解决的巨大缺陷)。最后,基于生理信号的方法所采用的信号主要包括心率、呼吸、头动、人眼和嘴部形态等,这些生理信号的获取生态性较差,而且佩戴相应传感器不是很方便。
发明内容
发明目的:一方面提供一种头戴式疲劳检测装置,以解决现有技术的上述问题,为用户提供生态性强、使用方便、检测可靠的疲劳实时检测结果,并将计算结果通过语音实时反馈给用户。另一方面,提供一种头戴式疲劳检测方法。
技术方案:一种头戴式疲劳检测装置,包括:
脑电采集模块,用于获取用户的原始脑电信号;
脑电分析模块,用于实时接收所述原始脑电信号,并通过标准时频分析算法处理原始脑电信号,获得特征参数,包括脑电节律功率谱和眨眼频率;
疲劳估计器,用于根据所述特征参数所处的空间分布实现对用户的疲劳程度的估计,生成疲劳估计结果;
语音播报模块,用于将所述疲劳估计结果实时播放给用户;
电源模块,用于为上述各模块提供能量。
在进一步的实施例中,所述脑电采集模块、脑电分析模块、疲劳估计器、语音播报模块和电源模块整体封装在头戴式外壳中。所述脑电采集模块采用干电极,脑电信号采集的头皮位置为双侧前额叶,参考电极和地电极分别位布置在左右耳垂。所述脑电分析模块通过标准的时频分析获得的脑电节律功率谱和眨眼频率;其中,脑电节律包括δ波、θ波、α波、β波和γ波。所述特征参数包括δ波功率谱、θ波功率谱、α波功率谱、β波功率谱、γ波功率谱、眨眼频率和眨眼频率历史信息。所述疲劳估计器采用三层前向神经网络,隐层激励函数是Sigmoid函数,输出层激活函数为线性函数。疲劳估计结果分为“不疲劳”、“稍微有些疲劳”、“有些疲劳”、“非常疲劳”和“极度疲劳”五个量化等级。
基于上述头戴式疲劳检测装置的疲劳检测方法,包括如下步骤:
步骤1:通过脑电采集模块采集原始脑电信号,并将其实时传输给脑电分析模块;
所述脑电采集模块包括信号电极输入、带通滤波电路、初级放大电路、低通滤波电路、次级放大电路、陷波电路、第三级放大电路和数模转换器;
信号电极输入采集到的微弱原始脑电信号输入带通滤波电路滤除脑电信号的低频噪声;接着信号进入到初级放大电路进行第一次放大,放大之后的脑电信号进入到低通滤波电路中滤除信号中掺杂的高频噪声,而让所有的有用信号通过;信号接着又进入到次级放大电路中进行了第二次放大;接着信号经过陷波电路来抑制50Hz工频干扰;信号经过陷波电路之后进入都第三级放大电路中进行最后一次信号放大,其输出信号经过模数转换获得数字信号,并输入到脑电分析模块进行进一步处理;其中,所述信号电极输入采用干电极,脑电信号采集的头皮位置为双侧前额叶,参考电极和地电极分别位布置在左右耳垂;
步骤2:通过标准时频分析算法处理原始脑电信号,获得特征参数;
首先,通过时频分析单元对脑电采集模块发送来的脑电信号进行标准化的时频分析,为后续节律功率谱计算单元和眨眼频率计算单元提供输入信号;节律功率谱计算单元分别计算不同脑电节律脑电波功率谱,其中脑电节律包括δ波、θ波、α波、β波、和γ波;眨眼频率计算单元则通过时频分析获得眨眼时刻的间隔信息,并进而获得用户眨眼频率信息,与此同时这些信息将通过历史信息存储单元进行存储;最后,特征参数提取单元将根据节律功率谱计算单元、眨眼频率计算单元和历史信息存储单元的结果,通过主元分析方法确定后续疲劳估计器进行模式分类用的特征参数;
步骤3:根据所述特征参数所处的空间分布实现对用户的疲劳程度的估计,生成疲劳估计结果;疲劳估计器包括特征参数输入单元、三层前向神经网络、系统参数计算单元、典型历史数据单元和预测输出单元;
疲劳估计器的构建分为两个阶段,第一个阶段为系统参数确定阶段,第二个阶段为实时计算阶段;在系统参数确定阶段,依据典型历史数据单元将典型的大样本量特征参数数据输入到系统参数计算单元,系统参数计算单元通过合适的机器学习算法获得三层前向神经网络的特征参数;在实时计算阶段,首先要通过特征参数输入单元将模式分类所需的特征参数输入到三层前向神经网络,三层前向神经网络根据当前的系统参数计算获得函数输出,函数输出结果经过预测输出单元处理获得最终输出结果;
所述疲劳估计器采用三层前向神经网络结构,即隐层激励函数是Sigmoid函数x、f(x)分别表示输入和输出,输出层激活函数为线性函数f(x)=x,x、f(x)分别表示输入和输出,因此三层前向神经网络的函数映射关系可以表示为:out=W2*f(W1*in+B1)+B2,
其中,out为三层前向神经网络的函数映射关系的输出、in为三层前向神经网络的函数映射关系的输入、W1为隐层权值、W2为输出层权值、B1为隐层阀值、B2为输出层阀值;
机器学习算法采用前向神经网络结构设计算法,确定隐层神经元数量、输入层权值与阀值、隐层权值与阀值、输出层权值与阀值等结构信息;预测输出单元的最终输出结果采用五点量化方法具体分为“不疲劳”、“稍微有些疲劳”、“有些疲劳”、“非常疲劳”、“极度疲劳”五个量化等级;
步骤4:将所述疲劳估计结果实时播放给用户;
语音播报模块,包括微处理器、语音存储单元、语音播放单元。微处理器首先接受疲劳估计器输出的模式分类结果,即“不疲劳”、“稍微有些疲劳”、“有些疲劳”、“非常疲劳”、“极度疲劳”五个量化等级中的一个,通过查询语音存储单元获得事先录好的能反映疲劳状态的五种与“不疲劳”、“稍微有些疲劳”、“有些疲劳”、“非常疲劳”、“极度疲劳”的语言提出信息,最后通过语音播放单元实时播放,用户可以依据播放语言提示信息实时掌握自己的疲劳程度。
有益效果:首先,本发明利用可穿戴脑电检测技术解决疲劳程度估计问题,与主流的基于图像分析的技术限制用户的面部必须处于合适的空间范围(超出范围就无法实现检测)且摄像机要能拍摄到正面图像(非正面面部识别技术目前还存在短期无法解决的巨大缺陷)等不同,本发明不受用户使用场所和空间方位的限制,检测也更加可靠。其次,本发明提出将脑电信号用于疲劳检测的思路,能比已有生理信号检测(如心率、呼吸、头动、人眼和嘴部形态等)方法获得更直接反映用户疲劳程度的生理信号(即脑电信号),因此检测的生态性更强、可靠性更高。最后,本发明采用了先进的可穿戴技术,疲劳检测仪整体封装在头戴式外壳中,无需任何额外硬件装置就可以实现所有功能,使用非常便捷,也适用于佩戴眼镜用户使用。总之,本发明结构简单,适用性广泛,性能优越,能够解决疲劳检测问题,具有较好的市场前景。
附图说明
图1是本发明头戴式疲劳检测仪的结构框图。
图2是本发明脑电采集模块的结构框图。
图3是本发明脑电分析模块的结构框图。
图4是本发明疲劳估计器的结构框图。
图5是本发明语音播报模块的结构框图。
具体实施方式
如图1所示,本发明的头戴式疲劳检测仪包括脑电采集模块、脑电分析模块、疲劳估计器和语音播报模块。
其中,脑电采集模块、脑电分析模块、疲劳估计器、语音播报模块被整体封装在头戴式外壳中,无需任何额外硬件装置就可以实现所有功能,使用非常便捷。脑电采集模块首先获取用户的原始脑电信号,并实时传输给脑电分析模块,脑电分析模块通过标准的时频分析算法获得脑电节律功率谱和眨眼频率,这些计算结果将被作为特征参数发送到疲劳估计器,疲劳估计器将根据获得的特征参数所处空间分布最终实现对用户的疲劳程度的估计,估计结果将通过语音播报模块直接播放给用户,用户可以依据播放语言信息实时掌握自己的疲劳程度。
所图2所示,脑电采集模块包括信号电极输入、带通滤波电路、初级放大电路、低通滤波电路、次级放大电路、陷波电路、第三级放大电路和数模转换器。信号电极输入采集到的微弱原始脑电信号输入带通滤波电路滤除脑电信号的低频噪声;接下来信号进入到初级放大电路进行第一次放大,放大之后的脑电信号进入到低通滤波电路中滤除信号中掺杂的高频噪声,而让所有的有用信号通过;信号接着又进入到次级放大电路中进行了第二次放大;接着信号经过陷波电路来抑制50Hz工频干扰;信号经过陷波电路之后进入都第三级放大电路中进行最后一次信号放大,其输出信号经过模数转换获得数字信号,并输入到脑电分析模块进行进一步处理。其中,所述信号电极输入采用干电极,脑电信号采集的头皮位置为双侧前额叶,参考电极和地电极分别位布置在左右耳垂。
所图3所示,脑电分析模块首先通过时频分析单元对脑电采集模块发送来的脑电信号(数字化的)进行标准化的时频分析,为后续节律功率谱计算单元和眨眼频率计算单元提供输入信号;节律功率谱计算单元分别计算不同脑电节律脑电波功率谱,其中脑电节律包括δ波(1-3Hz)、θ波(4-7Hz)、α波(8-13Hz)、β波(14-25Hz)、和γ波(25Hz以上);眨眼频率计算单元则通过时频分析获得眨眼时刻的间隔信息,并进而获得用户眨眼频率信息,与此同时这些信息将通过历史信息存储单元进行存储;最后,特征参数提取单元将根据节律功率谱计算单元、眨眼频率计算单元、历史信息存储单元的结果,通过主元分析方法最终确定后续疲劳估计器进行模式分类用的特征参数。
所图4所示,所述疲劳估计器,包括特征参数输入单元、三层前向神经网络、系统参数计算单元、典型历史数据单元、预测输出单元。疲劳估计器的构建分为两个阶段,第一个阶段为系统参数确定阶段,第二个阶段为实时计算阶段。在系统参数确定阶段,依据典型历史数据单元将典型的大样本量特征参数数据输入到系统参数计算单元,系统参数计算单元通过合适的机器学习算法获得三层前向神经网络的特征参数;在实时计算阶段,首先要通过特征参数输入单元将模式分类所需的特征参数输入到三层前向神经网络,三层前向神经网络根据当前的系统参数计算获得函数输出,函数输出结果经过预测输出单元处理获得最终输出结果。所述疲劳估计器采用的三层前向神经网络为标准的结构,即隐层激励函数是Sigmoid函数输出层激活函数为线性函数f(x)=x,因此三层前向神经网络的函数映射关系可以表示为:out=W2*f(W1*in+B1)+B2,其中out为三层前向神经网络的函数映射关系的输出、in为三层前向神经网络的函数映射关系的输入、W1为隐层权值、W2为输出层权值、B1为隐层阀值、B2为输出层阀值。所述机器学习算法是采用了标准化的前向神经网络结构设计算法,确定隐层神经元数量、输入层权值与阀值、隐层权值与阀值、输出层权值与阀值等结构信息。所述预测输出单元的最终输出结果采用五点量化方法具体分为“不疲劳”、“稍微有些疲劳”、“有些疲劳”、“非常疲劳”、“极度疲劳”五个量化等级。
所图5所示,所述语音播报模块,包括微处理器、语音存储单元、语音播放单元。微处理器首先接受疲劳估计器输出的模式分类结果(即“不疲劳”、“稍微有些疲劳”、“有些疲劳”、“非常疲劳”、“极度疲劳”五个量化等级中的一个),通过查询语音存储单元获得事先录好的能反映疲劳状态的五种与“不疲劳”、“稍微有些疲劳”、“有些疲劳”、“非常疲劳”、“极度疲劳”的语言提出信息,最后通过语音播放单元实时播放,用户可以依据播放语言提示信息实时掌握自己的疲劳程度。
总之,本发明的头戴式疲劳检测装置由于采用了头戴式脑电检测技术,因此具有测量的生态性强、使用便携等特点,且不受用户使用场所和空间方位的限制,检测也更加可靠。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (1)
1.基于头戴式疲劳检测装置的疲劳检测方法,其特征在于,所述头戴式疲劳检测装置包括:
脑电采集模块,用于获取用户的原始脑电信号;
脑电分析模块,用于实时接收所述原始脑电信号,并通过标准时频分析算法处理原始脑电信号,获得特征参数,包括脑电节律功率谱和眨眼频率;
疲劳估计器,用于根据所述特征参数所处的空间分布实现对用户的疲劳程度的估计,生成疲劳估计结果;
语音播报模块,用于将所述疲劳估计结果实时播放给用户;
电源模块,用于为上述各模块提供能量;
脑电采集模块、脑电分析模块、疲劳估计器、语音播报模块和电源模块整体封装在头戴式外壳中;
脑电采集模块采用干电极,脑电信号采集的头皮位置为双侧前额叶,参考电极和地电极分别位布置在左右耳垂;
脑电分析模块通过标准的时频分析获得的脑电节律功率谱和眨眼频率;其中,脑电节律包括δ波、θ波、α波、β波和γ波;
特征参数包括δ波功率谱、θ波功率谱、α波功率谱、β波功率谱、γ波功率谱、眨眼频率和眨眼频率历史信息;疲劳估计器采用三层前向神经网络,隐层激励函数是Sigmoid函数,输出层激活函数为线性函数;
疲劳检测包括如下步骤:
步骤1:通过脑电采集模块采集原始脑电信号,并将其实时传输给脑电分析模块;
所述脑电采集模块包括信号电极输入、带通滤波电路、初级放大电路、低通滤波电路、次级放大电路、陷波电路、第三级放大电路和数模转换器;
信号电极输入采集到的微弱原始脑电信号输入带通滤波电路滤除脑电信号的低频噪声;接着信号进入到初级放大电路进行第一次放大,放大之后的脑电信号进入到低通滤波电路中滤除信号中掺杂的高频噪声,而让所有的有用信号通过;信号接着又进入到次级放大电路中进行了第二次放大;接着信号经过陷波电路来抑制50Hz工频干扰;信号经过陷波电路之后进入都第三级放大电路中进行最后一次信号放大,其输出信号经过模数转换获得数字信号,并输入到脑电分析模块进行进一步处理;其中,所述信号电极输入采用干电极,脑电信号采集的头皮位置为双侧前额叶,参考电极和地电极分别位布置在左右耳垂;
步骤2:通过标准时频分析算法处理原始脑电信号,获得特征参数;
首先,通过时频分析单元对脑电采集模块发送来的脑电信号进行标准化的时频分析,为后续节律功率谱计算单元和眨眼频率计算单元提供输入信号;节律功率谱计算单元分别计算不同脑电节律脑电波功率谱,其中脑电节律包括δ波、θ波、α波、β波、和γ波;眨眼频率计算单元则通过时频分析获得眨眼时刻的间隔信息,并进而获得用户眨眼频率信息,与此同时这些信息将通过历史信息存储单元进行存储;最后,特征参数提取单元将根据节律功率谱计算单元、眨眼频率计算单元和历史信息存储单元的结果,通过主元分析方法确定后续疲劳估计器进行模式分类用的特征参数;
步骤3:根据所述特征参数所处的空间分布实现对用户的疲劳程度的估计,生成疲劳估计结果;疲劳估计器包括特征参数输入单元、三层前向神经网络、系统参数计算单元、典型历史数据单元和预测输出单元;
疲劳估计器的构建分为两个阶段,第一个阶段为系统参数确定阶段,第二个阶段为实时计算阶段;在系统参数确定阶段,依据典型历史数据单元将典型的大样本量特征参数数据输入到系统参数计算单元,系统参数计算单元通过机器学习算法获得三层前向神经网络的特征参数;在实时计算阶段,首先要通过特征参数输入单元将模式分类所需的特征参数输入到三层前向神经网络,三层前向神经网络根据当前的系统参数计算获得函数输出,函数输出结果经过预测输出单元处理获得最终输出结果;
所述疲劳估计器采用三层前向神经网络结构,即隐层激励函数是Sigmoid函数输出层激活函数为线性函数f(x)=x,因此三层前向神经网络的函数映射关系表示为:out=W2*f(W1*in+B1)+B2,
其中,out为三层前向神经网络的函数映射关系的输出、in为三层前向神经网络的函数映射关系的输入、W1为隐层权值、W2为输出层权值、B1为隐层阀值、B2为输出层阀值;
机器学习算法采用前向神经网络结构设计算法,确定隐层神经元数量、输入层权值与阀值、隐层权值与阀值,以及输出层权值与阀值;预测输出单元的最终输出结果采用五点量化方法具体分为“不疲劳”、“稍微有些疲劳”、“有些疲劳”、“非常疲劳”、“极度疲劳”五个量化等级;
步骤4:将所述疲劳估计结果实时播放给用户;
语音播报模块,包括微处理器、语音存储单元和语音播放单元,微处理器首先接受疲劳估计器输出的模式分类结果,即“不疲劳”、“稍微有些疲劳”、“有些疲劳”、“非常疲劳”、“极度疲劳”五个量化等级中的一个,接着通过查询语音存储单元获得事先录好的能反映疲劳状态的五种与“不疲劳”、“稍微有些疲劳”、“有些疲劳”、“非常疲劳”、“极度疲劳”的语言提出信息,最后通过语音播放单元实时播放,用户依据播放语言提示信息实时掌握自己的疲劳程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410633521.0A CN104305964B (zh) | 2014-11-11 | 2014-11-11 | 头戴式疲劳检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410633521.0A CN104305964B (zh) | 2014-11-11 | 2014-11-11 | 头戴式疲劳检测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104305964A CN104305964A (zh) | 2015-01-28 |
CN104305964B true CN104305964B (zh) | 2016-05-04 |
Family
ID=52361391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410633521.0A Active CN104305964B (zh) | 2014-11-11 | 2014-11-11 | 头戴式疲劳检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104305964B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106338935A (zh) * | 2015-04-23 | 2017-01-18 | 恒爱高科(北京)科技有限公司 | 一种机器人情感识别方法和系统 |
CN104814735A (zh) * | 2015-05-22 | 2015-08-05 | 京东方科技集团股份有限公司 | 判断大脑是否疲劳的方法和装置 |
CN105167785A (zh) * | 2015-07-31 | 2015-12-23 | 深圳市前海安测信息技术有限公司 | 基于数字化头盔的疲劳监测及预警系统和方法 |
CN105212924A (zh) * | 2015-10-10 | 2016-01-06 | 安徽尚舟电子科技有限公司 | 一种基于脑电波疲劳驾驶检测方法及其装置 |
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 |
CN105279387B (zh) * | 2015-11-17 | 2018-08-21 | 东南大学 | 一种面向孤独症谱系障碍儿童的执行功能评测与训练系统 |
DE102015224889A1 (de) * | 2015-12-10 | 2017-06-14 | Robert Bosch Gmbh | Verfahren zur Müdigkeitsermittlung |
CN105496407A (zh) * | 2016-01-17 | 2016-04-20 | 仲佳 | 一种提醒装置及其方法 |
CN105701973A (zh) * | 2016-04-26 | 2016-06-22 | 成都远控科技有限公司 | 基于脑电波采集的疲劳检测及预警方法和系统 |
CN106199970A (zh) * | 2016-08-30 | 2016-12-07 | 北京乐动卓越科技有限公司 | 一种头戴设备的防疲劳方法和系统 |
CN107802263A (zh) * | 2016-09-08 | 2018-03-16 | 候俊英 | 一种基于脑电生理信号的可穿戴声音反馈系统 |
CN106405838A (zh) * | 2016-09-30 | 2017-02-15 | 珠海市魅族科技有限公司 | 一种视距调节方法以及装置 |
CN106504475B (zh) * | 2016-10-15 | 2019-05-10 | 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 |
CN109009173B (zh) * | 2018-08-30 | 2022-02-01 | 北京机械设备研究所 | 一种基于脑电-眼动双模态信号的疲劳检测与调控方法 |
CN113116352A (zh) * | 2021-03-24 | 2021-07-16 | 深兰科技(上海)有限公司 | 疲劳状态预测的方法、装置、电子设备及存储介质 |
CN113261974A (zh) * | 2021-06-07 | 2021-08-17 | 吉林大学 | 一种基于多生理信号的运动疲劳监测方法 |
CN116439710B (zh) * | 2023-04-11 | 2023-10-20 | 中国人民解放军海军特色医学中心 | 一种基于生理信号的舰船驾驶员疲劳检测系统及方法 |
CN116671938B (zh) * | 2023-07-27 | 2024-07-23 | 之江实验室 | 一种任务执行方法、装置、存储介质及电子设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19983911B4 (de) * | 1999-01-27 | 2018-09-06 | Compumedics Sleep Pty. Ltd. | Wachsamkeitsüberwachungssystem |
US6434419B1 (en) * | 2000-06-26 | 2002-08-13 | Sam Technology, Inc. | Neurocognitive ability EEG measurement method and system |
EP1924940A2 (en) * | 2005-09-12 | 2008-05-28 | Emotiv Systems Pty Ltd. | System and method for interaction with a subject based on detection of mental states |
CN102119857B (zh) * | 2011-02-15 | 2012-09-19 | 陕西师范大学 | 基于匹配追踪算法的疲劳驾驶脑电检测系统及检测方法 |
KR101400141B1 (ko) * | 2012-06-18 | 2014-05-28 | 서울대학교산학협력단 | 좌우 시각경로 차이를 이용한 ssvep―bci 시스템 및 이의 동작 방법 |
CN102835964B (zh) * | 2012-08-31 | 2015-03-25 | 漳州师范学院 | 一种蓝牙传输的疲劳驾驶生理信号采集眼镜 |
CN104063993B (zh) * | 2013-11-14 | 2017-02-15 | 东莞龙昌数码科技有限公司 | 一种头戴式的疲劳检测反馈器 |
CN103989485A (zh) * | 2014-05-07 | 2014-08-20 | 朱晓斐 | 基于脑电波的人体疲劳度评价方法 |
CN103989471B (zh) * | 2014-05-08 | 2015-11-04 | 东北大学 | 一种基于脑电图识别的疲劳驾驶检测方法 |
-
2014
- 2014-11-11 CN CN201410633521.0A patent/CN104305964B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104305964A (zh) | 2015-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104305964B (zh) | 头戴式疲劳检测装置及方法 | |
Zhang et al. | Driver drowsiness detection using multi-channel second order blind identifications | |
Al-Naji et al. | Remote monitoring of cardiorespiratory signals from a hovering unmanned aerial vehicle | |
Rubin et al. | Densely connected convolutional networks and signal quality analysis to detect atrial fibrillation using short single-lead ECG recordings | |
CN106156757B (zh) | 结合活体检测技术的人脸识别方法及人脸识别系统 | |
CN103824420B (zh) | 基于心率变异性非接触式测量的疲劳驾驶识别系统 | |
CN105919584A (zh) | 用于可穿戴心率监测设备的心率估计方法及装置 | |
CN110151203B (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 | |
CN112754431A (zh) | 基于毫米波雷达和轻量级神经网络的呼吸心跳监测系统 | |
US20220218218A1 (en) | Video-based method and system for accurately estimating human body heart rate and facial blood volume distribution | |
CN107403407A (zh) | 一种基于热成像技术的呼吸跟踪方法 | |
CN107392177A (zh) | 一种人体身份识别验证方法及其装置 | |
CN113221673A (zh) | 基于多尺度特征聚集的说话人认证方法及系统 | |
El_Rahman | Biometric human recognition system based on ECG | |
CN103903632A (zh) | 一种多声源环境下的基于听觉中枢系统的语音分离方法 | |
CN105212949A (zh) | 一种使用皮肤电信号进行文化体验情感识别的方法 | |
WO2023077592A1 (zh) | 一种智能心电信号处理方法 | |
CN106901758A (zh) | 一种基于卷积神经网络的言语置信度评测方法 | |
CN109186752A (zh) | 基于图形处理器的水下声学信号采集、传输和检测系统 | |
CN115251845A (zh) | 基于TB-TF-BiGRU模型处理脑电波信号的睡眠监测方法 | |
CN108717535B (zh) | 一种基于混合特征和长短时记忆网络的麻醉深度估计方法 | |
CN116758619B (zh) | 基于面部视频的情感分类方法、系统、存储介质及设备 | |
CN110956192A (zh) | 一种非重构压缩感知生理数据的分类方法及装置 | |
CN112716468A (zh) | 基于三维卷积网络的非接触心率测量方法及装置 | |
CN113011399A (zh) | 基于生成协同判别网络的视频异常事件检测方法及系统 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220831 Address after: Room 120, 1st Floor, Building 6, Yard 9, Fangyuan Nanli, Chaoyang District, Beijing 100016 Patentee after: Beijing Lingling Culture Co.,Ltd. Address before: No.99, Linghu Avenue, New District, Wuxi City, Jiangsu Province, 214000 Patentee before: SOUTHEAST University |
|
TR01 | Transfer of patent right |