CN104490391A - 一种基于脑电信号的战斗人员状态监测系统 - Google Patents

Abstract

本发明涉及一种利用战斗人员脑电信号判断其是否遭遇应急情况的方法及系统。本发明提出的方法不需要任何的肢体运动和语言，只需要记录战斗人员脑电信号，通过对对应脑电信号的分析分析战斗人员是否遭遇危机状况，辅助其做出迅速应对并发出警告，提醒其他人员。本发明属于认知神经科学、信息技术领域和自动控制领域的综合应用。

Description

一种基于脑电信号的战斗人员状态监测系统

技术领域

本发明涉及一种利用战斗人员脑电信号判断其是否遭遇特殊情况的方法及系统。本发明提出的方法不需要任何的肢体运动和语言，只需要记录战斗人员脑电信号，通过对对应脑电信号的分析分析战斗人员是否遭遇危机状况，辅助其做出迅速应对。本发明属于认知神经科学、信息技术领域和自动控制领域的综合应用。

背景技术

脑-机接口(BCI)可以在人脑和计算机或其他外界设备之间建立一种直接的信息交流和控制通道，是一种不依赖与常规大脑输出通路(外围神经和肌肉组织)的全新的信息交流系统。脑-机接口的基本原理是通过某种方式使大脑产生适合识别的脑电信号，并通过信号处理和模式识别的方法将产生的脑电信号“翻译”成命令，从而实现脑-机交互。

战斗人员尤其是地面战斗人员在战场执行作战任务时，比如敌后侦查、秘密潜入等，会面临非常复杂的情况，很多情况都可能导致任务失败甚至危及战斗人员生命安全。很多主动辅助侦查设备都需要充足的电能维持，考虑到单兵负重能力问题，不可能携带太大型的能源供给设备，另外，战场环境的复杂性也会导致各种辅助侦查设备适用性降低，而且会影响战斗人员的判断。这些因素都决定了单兵辅助设备应该向着轻量、简易以及低功耗方向发展。因此，提出一种基于脑电信号的战斗人员状态监测系统，通过分析战斗人员遭遇特殊状况时脑电信号特征变化情况辅助战斗人员做出合理应对，避免由于惊吓导致的反应迟钝或错误应对带来的严重后果，成为本发明主要目的。

发明内容

根据本发明要求，提供一种基于脑电信号的战斗人员状态监测系统，包括脑电采集模块和脑电信号处理模块。所述,脑电采集模块用于实时采集战斗人员脑电信号并进行放大和模数转换，通过数据线与脑电信号处理模块进行信号传输；所述脑电信号处理模块用于接收脑电信号并且对脑电信号进行处理，识别战斗人员状态，并输出识别结果。

本发明涉及一种基于脑电信号的战斗人员状态监测方法，所述方法包括：步骤1，通过脑电采集模块实时采集战斗人员脑电信号并且进行放大和模数转换；步骤2，通过脑电信号处理模块分析所述脑电信号以获得战斗人员当前状态信息并输出识别结果。

所述，脑电采集模块包括采集电极和信号收集盒；所述，采集电极固定于战斗头盔内部，战斗人员佩戴战斗头盔后，采集电极与战斗人员头皮接触，接触位置参考国际10-20系统；所述，信号收集盒通过数据线与采集电极连接，用于接收电极采集到的战斗人员脑电信，放大后输出待处理的脑电信号。

所述，步骤2包括：步骤21，首次应用前训练分类模型；步骤22，将实时采集到的战斗人员脑电数据输入训练后的分类模型并输出分类结果。

所述，步骤21包括：步骤211，战斗人员在模拟战斗场景中完成预设任务，任务类型包括正常类和应急类；步骤212，采用双线程模式记录数据，其中一个线程记录不同类型任务的时间，另一个线程记录通过脑电采集模块采集的脑电信号；步骤213，完成预定轮数任务后，按照不同任务发生的时间选取其对应的脑电信号片段，并分为正常类信号和应急类信号；步骤214，对分类后的脑电信号进行预处理；步骤215，通过χ²特征提取法对预处理之后的脑电信号进行分析，获得表征应急事件的主要脑电信号特征；步骤216，用两种任务对应的脑电信号特征训练线性分类(LDA)模型。

所述，步骤214包括：步骤2141，对信号进行低通滤波，滤除60Hz以上内容；步骤2142，对训练数据执行独立成分分析法(ICA)，获得与通道数量相等的独立成分及解混矩阵；步骤2143，根据各独立成分脑地图确定独立成分中与眨眼相关的干扰，并计算该独立成分的近似熵值(ApEn)，确定眨眼相关干扰的近似熵阈值；步骤2144，去掉独立成分中的眨眼干扰成分，再执行独立成分分析法的逆运算以获得滤波后的脑电数据。

所述，步骤215包括：步骤2151，采用Welch经典谱估计法，分别计算两种不同类型数据滤波后脑电信号的频谱特征，所述特征包括各通道δ波(1-4Hz)，θ波(4-8Hz)，α波(8-14Hz)，β波(14-30Hz)，γ波(30-60Hz)的功率谱值叠加，特征数量＝通道数*5；步骤2152，通过χ²特征提取法计算各特征的χ²值；步骤2153，将所有χ²值进行排列，取其值最大的5个特征作为训练模型及最终识别所用的特征。

所述，步骤22包括：步骤221，实时采集战斗人员脑电数据，以窗宽1.2s，步长0.1s截取最新的脑电数据；步骤222，将最新采集到的1.2s数据以窗宽1s，步长0.1s分成3段数据；步骤223，对所述3段数据进行预处理；步骤224，按照所述步骤215中选定的特征，处理所述3段数据，获得对应特征；步骤225，将所述3段数据的特征输出所述步骤216建立的线性分类模型中，得到3个分类结果；步骤226，将得到的3个结果进行投票，按照投票结果确定所述1.2s数据的最终判定结果。

所述，步骤223包括：步骤2231，对所述3段数据进行低通滤波，滤除信号中60Hz以上内容；步骤2232，通过步骤2142所得解混矩阵分别对3段数据进行处理，得到各自的独立成分；步骤2233，计算各独立成分的近似熵值，再根据步骤2143中确定的近似熵阈值，滤除独立成分中的眨眼干扰；步骤2234，执行独立成分分析的逆运算，获得3段滤波后的新数据。

本发明提出一种应用范围广泛、使用简便、准确率较高的战斗人员辅助方法，利用战斗人员在执行任务过程中遭遇突发状况引起的脑电信号相关特征的变化判断战斗人员状态。该系统可以应用于单兵作战辅助系统。对大多数战斗人员而言，在执行任务过程中如果遭遇突发状况尤其是近距离与敌人遭遇后，不正当的反应将会导致严重后果，考虑到作战环境的复杂性会影响其他辅助侦测手段的性能，因此，通过战斗人员自身经验及反应作为预测战场中突发状况的依据，并能根据系统判断辅助战斗人员做出合理反应或发出预警提醒其他战友，将会大大降低战场伤亡，对于发展先进单兵辅助系统具有重大意义。

附图说明

图1为本发明的工作系统框图；

图2为本发明所需要采集的脑电信号对应的通道位置；

图3为对原始数据执行独立成分分析之后获得的独立成分；

图4为滤波前后各通道时域波形对比；

图5为本发明分类模型训练框图；

图6为本发明实时检测战斗人员状态框图；

具体实施方式

该发明所描述的基于脑电信号进行状态监测的方法特别适用于战斗人员，本领域技术人员可以根据该发明的基本设备和原理，进一步的扩展其他的单兵辅助系统。

本发明的基本原理是当战斗人员在执行任务过程中遭遇突发状况的时候，不用通过肢体或者语音动作，只需要通过脑电采集模块采集对应位置头皮上的脑电信号以及通过脑电分析处理模块对采集的脑电信号进行分析处理，即可获得战斗人员的当前状态。

下面结合附图和具体实施例对本发明提供的一种基于脑电信号的战斗人员状态监测系统进行详细描述。

同时，在这里做以说明的是，为了使实施例更加详尽，下面的实施例为最佳、优选实施例，对于一些公知技术本领域技术人员也可采用其他替代方式而进行实施；而且附图部分仅是为了更具体的描述实施例，而并不旨在对本发明进行具体的限定。

本发明涵盖任何在本发明的精髓和范围上做的替代、修改、等效方法以及方案。为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。另外，为了避免对本发明的实质造成不必要的混淆，并没有详细说明众所周知的方法、过程、流程、元件和电路等。

在本发明的实施例中，提出了一种基于脑电信号的战斗人员状态监测系统，参考图1，该系统包括脑电采集模块、脑电分析处理模块。

其中，脑电采集仪用于实时采集脑电信号并且进行放大和模数转换，通过数据线与处理器进行数据传输。其中，考虑战斗人员遭遇突发事件后的一系列反应，主要涉及感官、运动策划以及情感突变，所以根据“10-20国际标准导联”，脑电采集电极放置在使用者头部的Cz、Pz、Fz、Oz、C3、C4、P3、P4、P7、P8、T7、T8、O1、O2、F3、F4位置，将参考电极放置在使用者耳垂上的A11、A12位置(各电极位置如图2所示)，所述各电极均安装于单兵作战头盔内部，在战斗人员佩戴头盔后，头皮与电极接触。

所述，脑电分析处理模块用于接收脑电信号，并且对脑电信号进行处理，判断使用者的状态。

所述，对脑电波进行处理包括：步骤1、分类模型训练；步骤2、实时监测战斗人员状态。

其中，步骤1具体如下：

1)分类截取

战斗人员在首次应用该系统前，首先完成模型训练过程。战斗人员首先完成虚拟场景中的任务，任务类型包括普通类和突发类，同时记录战斗人员脑电信号。完成任务后，根据场景中任务发生的时间截取战斗人员脑电数据并根据任务种类将脑电数据分为两组。

2)滤波去噪

由于采集到的脑电信号极易收到外界噪音干扰、使用者自身的眼动干扰等，所以首先对分类后的脑电数据进行滤波处理，滤除眨眼干扰和高频干扰等，首先对数据进行带通滤波，截止频率为60Hz。然后要滤除掉信号中的眨眼干扰，所用方法是首先对原始脑电数据应用独立成分分析(ICA)，然后根据各独立成分的近似熵值排除信号中的眨眼干扰，最后通过独立成分分析的逆运算得到滤波后的脑电信号。

所述，独立成分分析法的具体过程如下：

使用过程中电极总数为n，这n个电极可得到一组数据：

$\{x^{\left(i\right)}(x_1^{\left(i\right)},x_2^{\left(i\right)},...,x_n^{\left(i\right)});i=1,...,m\}$

i表示采样的时间顺序，也就是说共得到了m组采样，每一组采样都是n维的，而且由于电极配置位置较近，导致所得到的原始数据实际是由数个独立信号源发出信号的线性组合。

独立成分分析(ICA)的目标是从这m组采样数据中分离出每个信号源发出的信号S，表示为：

S(S₁,S₂,...,S_n)^T

S的每一维都是一个独立信号源发出的信号，如此，可以建立X与S的关系。

X⁽ⁱ⁾＝AS⁽ⁱ⁾

A是一个未知矩阵，X是已知的，通过X推出S的过程称为盲源信号分离。可以做以下变换：

W＝A^-1

S⁽ⁱ⁾＝A^-1X⁽ⁱ⁾＝WX⁽ⁱ⁾

可以得到：

$S_j^{\left(i\right)}=W_j^T{X}^{\left(i\right)}$

W即为所述的解混矩阵，下面解释如何求出解混矩阵W。

由于W与S都是未知的，在没有先验知识的前提下，是不能由X推出S的。假定每个S_i有概率密度P_S，则某一时刻原信号的联合分布是：

$p\left(s\right)={\mathrm{\Π}}_{i=1}^n{p}_s\left(s_i\right)$

由此可得：

$p\left(x\right)=\left|W\right|{\mathrm{\Π}}_{i=1}^n{p}_s\left(w_i^{T}x\right)$

在没有先验知识前提下，需要选取一个概率密度函数赋给S，在概率论里，密度函数p(x)由累计分布函数F(x)求导得到。F(x)要满足两个性质是：单调递增和值域落在在[0,1]。比较适合的一类函数是sigmoid函数：

$g\left(s\right)=\frac{1}{1+e^{-s}}$

求导后得到：

$p_s\left(s\right)=g^{\′}\left(s\right)=\frac{e^s}{{(1+e^s)}^2}$

这就是S的概率密度。

现在知道了p_s(s)，就只剩下W了。根据已得到的样本X，其对数似然估计如下：

$l\left(W\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\log g^{\′}\left(w_j^T{x}^{\left(i\right)}\right)+\log |W\left|\right\}$

根据上式可求得W的迭代公式：

$W_{k+1}=W_k+\mathrm{\α}\left\{\begin{array}{c}\left[\begin{array}{c}1-2g\left(w_1^T{x}^{\left(i\right)}\right)\\ 1-2g\left(w_2^T{x}^{\left(i\right)}\right)\\ ...\\ 1-2g\left(w_n^T{x}^{\left(i\right)}\right)\end{array}\right]x^{{\left(i\right)}^T}+{\left(W^T\right)}^{-1}\end{array}\right\}$

通过迭代求出解混矩阵W后，便可以通过X推出S以还原出各独立信号源发出的独立信号，图3所示即为执行ICA算法之后得到的独立成分。

在完成独立成分分析运算后，下一步工作就是确定近似熵的阈值，通过近似熵完成对独立成分的滤除。近似熵的计算过程如下：

A.设给定长度为N的一维时间序列{u(i),i＝1…N}，按式：

X_i＝{u(i),u(i+1),…u(i+m-1)}

重构m维向量X_i，i＝1…n，n＝N-m+1；

B.计算任意向量X_i与其与向量X_j(j＝1,2…,N-m+1,j≠i)之间的距离：

d_ij＝max|u(i+j)-u(j+k)|,k＝0,1,…m-1

即两向量对应元素之间差值绝对值的最大值就是两向量之间的距离；

C.给定阈值r，通常r＝0.2～0.3之间，对每个向量X_i统计d_ij≤r×SD，(SD为序列的标准值)的数目与距离总数(N-m)的比值，记为

D.将取对数，再对所有的i求平均值，记为φ^m(r)：

${\mathrm{\φ}}^m\left(r\right)=\frac{1}{N-m+1}\underset{i=1}{\overset{N-m+1}{\mathrm{\Σ}}}1n{C}_i^m\left(r\right)$

E.m增加1，重复A-D步骤，求得和

F.由φ^m+1(r)和φ^m(r)求得近似熵。

$\mathrm{ApEn}=\underset{N\→\∞}{\mathrm{\Σ}}[{\mathrm{\φ}}^m-{\mathrm{\φ}}^{m+1}]$

G.对于有限长事件序列，ApEn可以通过统计值估计得到：

ApEn＝φ^m-φ^m+1

一段信号的周期性越高，其近似熵值越低，信号越复杂，近似熵值越高。由于眨眼信号存在的周期性，可以根据其近似熵值所处范围确定眨眼信号的阈值，然后根据阈值判定各独立成分是否为眨眼干扰，在去掉独立成分中的眨眼干扰成分后执行独立成分分析的逆运算，获得滤波后的信号，即可完成滤波过程。经过计算，图3中的第一个独立成分为眨眼干扰，将第一个独立成分滤除后，便可得到滤波后的信号。图4所示，401代表的是滤波前的原始脑电数据，402代表的滤除眨眼信号之后的数据。

3)特征提取

本研究所用特征提取方法为χ²特征提取法，其基本思想及计算过程为：

χ²检验是数理统计中一种常用的检验两个变量独立性的方法，最基本的思想就是通过观察实际值与理论值的偏差来确定理论的正确与否。具体做法是：

①先假设两个变量确实是独立的(原假设)；

②然后观察实际值与理论值(指“如果两者确实独立”的情况下应该有的值)的偏差程度，如果偏差足够小，我们就认为误差是很自然的样本误差，此时就接受原假设；如果偏差大到一定程度，使得这样的误差不太可能是偶然产生或者测量不精确所致，我们就认为两者实际上是相关的，即否定原假设，而接受备择假设。

结合本研究，如何用χ²特征提取方法获得能良好表征应急类任务的特征？

我们关心的是一个特征t与类别c(应急类任务)之间是否相互独立，如果独立，则说明特征t与“应急类任务”完全没有表征作用，即我们根本无法根据t出现与否来判断该样本是否属于“应急类任务”这个分类。但普通的χ²检验不同，进行特征选取时我们不需要设定阈值，因为很难说特征t和类别c关联到什么程度才算是有表征作用，我们只想借用这个方法来选出一些最相关的特征即可。

此时我们仍然需要明白对特征选择来说原假设是什么，因为计算出的χ²值越大，说明对原假设的偏离越大，我们越倾向于认为原假设的反面情况是正确的。关于选取特征的原假设，有两种假设方式，那我们能不能把原假设定为“特征t与类别c相关”，原则上说当然可以，但此时会发现根本不知道理论值该是多少，也就无法接受或拒绝原假设。所以一般使用“特征t与类别c不相关”来做原假设。选择的过程也变成了为每个特征计算它与类别c的χ²值，从大到小排个序(此时χ²值越大越相关)，取前k个就可以。

结合上述原理，分离适用于本研究的特征选取方式。

比如说现在有N个样本，其中有M个是关于应急类任务的，我们想考察一个特征“t”与类别“应急类任务”之间的相关性。我们有四个观察值可以使用：

1.包含特征“t”且属于“应急类任务”类别的样本数，记为A；

2.包含特征“t”但不属于“应急类任务”类别的样本数，记为B；

3.不包含特征“t”但却属于“应急类任务”类别的样本数，记为C；

4.不包含特征“t”也不属于“应急类任务”类别的样本数，记为D；

上述数据之间的关系用下面的表格表示更清晰：

表格所述的特点是，首先，A+B+C+D＝N；其次，A+C的意思其实就是说“属于应急类任务的样本数量”，因此，它就等于M，同时，B+D就等于N-M。

那么理论值是什么？以包含特征“t”且属于“应急”类别的样本数为例。如果原假设是成立的，即特征“t”和“应急”类样本没什么关联性，那么在所有的样本中，特征“t”应该是等概率出现，而不管样本是不是“应急”类的。这个概率具体值我们并不知道，但他应该体现在观察结果中，因此我们可以说这个概率接近：

$\frac{A+B}{N}$

而属于“应急”类的样本数为A+C，在这些样本中，应该有个包含特征“t”。

但实际上，属于“应急”类的样本数量为A，如此我们可以计算理论值与观察值的偏差：

$D_{11}=\frac{{(A-E_{11})}^2}{E_{11}}$

同样，我们还可以计算剩下三种情况的差值D12，D21，D22，有了所有观察值的差值，就可以计算特征“t”与“应急”类c的χ²值。

χ²(t,c)＝D₁₁+D₁₂+D₂₁+D₂₂

把D₁₁，D₁₂，D₂₁，D₂₂的值分别代入并化简，可以得到：

${\mathrm{\χ}}^2(t,c)=\frac{N{(\mathrm{AD}-\mathrm{BC})}^2}{(A+C)(A+B)(B+D)(C+D)}$

根据上述过程我们分别计算每一个特征的χ²值，所述，特征采用Welch经典谱估计法，分别计算两种不同类型数据滤波后脑电信号的频谱特征，所述频谱特征包括各通道δ波(1-4Hz)，θ波(4-8Hz)，α波(8-14Hz)，β波(14-30Hz)，γ波(30-60Hz)的功率谱值叠加，特征数量＝通道数*5。最终，所得χ²值越大说明该特征的分类效果越好，通过排列所得所有特征的χ²值，可以得出排列前5的特征，作为训练模型和最终检测所用的特征。

4)分类模型训练

将上述所得的两组数据的特征代入Fisher线性判别方法建立战斗人员状态判别模型。所述，Fisher线性分类模型建立步骤如下：

选择出要进行分类的两类样本，对两类样本进行标定，例如对于判断战斗人员是否处于应急状态。假设处于紧急状态的样本为X₁类，处于正常状态的样本为X₂类；

A.计算各类样本在高维空间的样本均值向量m_i；

$m_i=\frac{1}{N_i}\underset{x\∈X_i}{\mathrm{\Σ}}x,i=\mathrm{1,2}$

B.计算样本的类内离散度矩阵S_i，总类内离散度矩阵S_w和类间离散度矩阵S_b；

$S_i=\underset{x\∈X_i}{\mathrm{\Σ}}(x-m_i){(x-m_i)}^T,i=\mathrm{1,2}$

C.确定判别准则函数

a)各类样本在投影空间的均值:

$\widetilde{m_i}=\frac{1}{N_i}\underset{y\∈{\mathrm{\ψ}}_i}{\mathrm{\Σ}}y,i=\mathrm{1,2}$

b)各类样本在投影空间的类内离散度矩阵总类内离散度矩阵和类间离散度矩阵

$\widetilde{S_i}=\underset{y\∈{\mathrm{\ψ}}_i}{\mathrm{\Σ}}(y-\widetilde{m_i}){(y-\widetilde{m_i})}^T,i=\mathrm{1,2}$

$\widetilde{S_w}=\widetilde{S_1}+\widetilde{S_2}$

$\widetilde{S_b}=(\widetilde{m_1}-\widetilde{m_2}){(\widetilde{m_1}-\widetilde{m_2})}^T$

c)样本x与其投影y的统计量之间的关系：

$\widetilde{m_i}=\frac{1}{N_i}\underset{y={\mathrm{\ψ}}_i}{\mathrm{\Σ}}y=\frac{1}{N_i}\underset{y\∈{\mathrm{\ψ}}_i}{\mathrm{\Σ}}{w}^{T}x=w^T{m}_i,i=\mathrm{1,2}$

$\begin{array}{c}\widetilde{S_b}=(\widetilde{m_1}-\widetilde{m_2}){(\widetilde{m_1}-\widetilde{m_2})}^T=(w^T{m}_1-w^T{m}_2){(w^T{m}_1-w^T{m}_2)}^T\\ =w^T(m_1-m_2){(m_1-m_2)}^{T}w=w^T{S}_{b}w\end{array}$

$\begin{array}{c}\widetilde{S_i}=\underset{y\∈{\mathrm{\ψ}}_i}{\mathrm{\Σ}}(y-\widetilde{m_i}){(y-\widetilde{m_i})}^T=\underset{x\∈K_i}{\mathrm{\Σ}}(w^{T}x-w^T{m}_i){(w^{T}x-w^T{m}_i)}^T\\ =w^T\left[\underset{x\∈K_i}{\mathrm{\Σ}}(x-m_i){(x-m_i)}^T\right]w=w^T{S}_{i}w\end{array}$

$\widetilde{S_1}+\widetilde{S_2}=w^T(S_1+S_2)w=w^T{S}_{w}w$

D.确定投影方向w的准则是：使原样本在该方向上类内样本的投影尽量密集，类间样本的投影尽量分离，最佳投影方向就是使得J_F取得极值的w：

$J_F=w=\frac{\widetilde{S_b}}{\widetilde{S_1}+\widetilde{S_2}}=\frac{w^T{S}_{b}w}{w^T{S}_{w}w}$

$w=\arg \max J_F\left(w\right)=S_w^{-1}(m_1-m_2)$

阈值w⁰的选取采用ROC曲线。ROC曲线是一种用于检测二分类问题的阈值函数曲线，是根据二分类问题的一系列不同分界值，以真阳率(True PositiveRate)为纵坐标，以假阳率(False Positive Rate)为横坐标绘制的函数曲线。通过ROC曲线可以很方便的看出选取不同分界值(阈值)时的分类性能。使用时，可以结合对实际问题的分析，选择出最佳的分界值。

所述，步骤1训练过程如图5所示。

其中，步骤2具体如下：

战斗人员在执行任务过程中佩戴所述配置电极后的战斗头盔，同时脑电采集模块实时采集战斗人员脑电数据并发送给脑电信号处理模块。

脑电处理模块以窗宽1.2s，步长0.1s接触最新脑电数据，然后处理该1.2s数据，并输出识别结果。

所述对该1.2s数据处理过程为：

i.以窗宽1s，更新量0.1s将所述1.2s数据分为3段；

ii.每一段数据都按照步骤1中滤波去噪方式处理，获得滤波后的脑电数据；

iii.按照步骤1中所述χ²特征提取方法确定的特征计算所述3段滤波后脑电数据的相关特征；

iv.分别将3段数据的特征输入步骤1建立的分类模型中，可以得到3个识别结果(应急/正常)；

v.将得到的3个结果进行投票，以票数最多的结果作为所述1.2s数据的最终结果并输出。

所述，步骤2的过程参考图6.

最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。

Claims (10)

1.一种基于脑电信号的战斗人员状态监测系统，包括脑电采集模块和脑电信号处理模块；其中，所述脑电采集模块用于实时采集战斗人员脑电信号并进行放大和模数转换，通过数据线与脑电信号处理模块进行信号传输；所述脑电信号处理模块用于接收脑电信号并且对脑电信号进行处理，识别战斗人员状态，并输出识别结果。

2.根据权利要求1所述的基于脑电信号的战斗人员状态监测系统，其中，脑电采集模块包括采集电极和信号收集盒；所述，采集电极固定于战斗头盔内部，配置位置参考国际10-20系统；所述，信号收集盒通过数据线与采集电极连接，用于接收电极采集到的战斗人员脑电信号。

3.根据权利要求1所述的基于脑电信号的战斗人员状态监测系统，其中，脑电信号处理模块用于对实时采集到的战斗人员脑电信号进行判断，并输出最终识别结果。

4.一种基于脑电信号的战斗人员状态监测方法，包括：

步骤1，通过脑电采集模块实时采集战斗人员脑电信号并且进行放大和模数转换；

步骤2，通过脑电信号处理模块实时分析所述脑电信号以获得战斗人员当前状态信息并输出识别结果。

5.根据权利要求4所述的基于脑电信号的战斗人员状态监测方法，其中，步骤2包括：

步骤21，首次应用前训练分类模型；

步骤22，将实时采集到的战斗人员脑电数据输入训练后的分类模型并输出分类结果。

6.根据权利要求5所述的基于脑电信号的战斗人员状态监测方法，其中，步骤21中，模型训练过程包括：

步骤211，战斗人员在模拟战斗场景中完成预设任务，任务类型包括正常类和应急类；

步骤212，采用双线程模式记录数据，其中一个线程记录不同类型任务的时间，另一个线程记录通过脑电采集模块采集的脑电信号；

步骤213，完成预定轮数任务后，按照不同任务发生的时间选取其对应的脑电信号片段，并分为正常类信号和应急类信号；

步骤214，对分类后的脑电信号进行预处理；

步骤215，通过χ²特征提取法对预处理之后的脑电信号进行分析，获得表征应急事件的主要脑电信号特征；

步骤216，用两种任务对应的脑电信号特征训练线性分类(LDA)模型。

7.根据权利要求6所述的模型训练过程，其中，步骤214进一步包括：

步骤2141，对信号进行低通滤波，滤除60Hz以上内容；；

步骤2142，对训练数据执行独立成分分析法(ICA)，获得与通道数量相等的独立成分及解混矩阵；

步骤2143，根据各独立成分脑地图确定独立成分中与眨眼相关的干扰，并计算该独立成分的近似熵值(ApEn)，确定眨眼相关干扰的近似熵阈值；

步骤2144，去掉独立成分中的眨眼干扰成分，再执行独立成分分析法的逆运算以获得滤波后的脑电数据。

8.根据权利要求6所述的模型训练过程，其中，步骤215进一步包括：

步骤2151，采用Welch经典谱估计法，分别计算两种不同类型数据滤波后脑电信号的频谱特征，所述特征包括各通道δ波(1-4Hz)，θ波(4-8Hz)，α波(8-14Hz)，β波(14-30Hz)，γ波(30-60Hz)的功率谱值叠加，特征数量＝通道数*5；

步骤2152，通过χ²特征提取法计算各特征的χ²值；

步骤2153，将所有χ²值进行排列，取其值最大的5个特征作为训练模型及最终识别所用的特征。

9.根据权利要求5所述的基于脑电信号的战斗人员状态监测方法，其中，步骤22中，实时监测战斗人员状态的过程包括：

步骤221，实时采集战斗人员脑电数据，以窗宽1.2s，步长0.1s截取最新的脑电数据；

步骤222，将最新采集到的1.2s数据以窗宽1s，步长0.1s分成3段数据；

步骤223，对所述3段数据进行预处理；

步骤224，按照所述步骤215中选定的特征，处理所述3段数据，获得对应特征；

步骤225，将所述3段数据的特征输出所述步骤216建立的线性分类模型中，得到3个分类结果；

步骤226，将得到的3个结果进行投票，按照投票结果确定所述1.2s数据的最终判定结果。

10.根据权利要求9所述的实时监测战斗人员状态的过程，其中，步骤223中，对所述3段数据进行预处理包括：

步骤2231，对所述3段数据进行低通滤波，滤除信号中60Hz以上内容；

步骤2232，通过步骤2142所得解混矩阵分别对3段数据进行处理，得到各自的独立成分；

步骤2233，计算各独立成分的近似熵值，再根据步骤2143中确定的近似熵阈值，滤除独立成分中的眨眼干扰；

步骤2234，执行独立成分分析的逆运算，获得3段滤波后的新数据。