CN104720798A - 基于脑电频谱特征的疲劳检测方法及系统 - Google Patents
基于脑电频谱特征的疲劳检测方法及系统 Download PDFInfo
- Publication number
- CN104720798A CN104720798A CN201510161554.4A CN201510161554A CN104720798A CN 104720798 A CN104720798 A CN 104720798A CN 201510161554 A CN201510161554 A CN 201510161554A CN 104720798 A CN104720798 A CN 104720798A
- Authority
- CN
- China
- Prior art keywords
- relative power
- fatigue
- eeg signals
- feature
- frequency band
- 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
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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Educational Technology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Social Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本公开的实施方式提供了一种基于脑电频谱特征的疲劳检测方法及系统,该方法包括:获取预定时间段内的脑电信号;将所述脑电信号中的中高频脑电信号的频率范围划分为多个频带;分别提取所述多个频带的相对功率;以及根据所述相对功率确定疲劳等级。采用中高频脑电信号的多个频带的相对功率来进行疲劳检测,能够避免不同个体之间的差异性,极大地提高了本公开的疲劳特征检测方法的通用性,并且能够进一步提高疲劳检测的准确性。
Description
技术领域
本公开的各个实施方式涉及基于脑电信号的疲劳检测技术领域,并且更具体地涉及一种基于脑电频谱特征的疲劳检测方法及系统。
背景技术
疲劳是指人在一定的环境下,由于长时间的体力或脑力劳动而引起的劳动效率下降的状态。在现代社会,尤其是在实时监控、交通运输、高危作业等领域,由于在疲劳状态下警觉性、持续注意力、工作记忆力、判断力等能力的下降,工作人员极易出现随意操作和违章行为,从而可能引发安全事故。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系统,对于防范由于疲劳引发的安全事故是非常必要的,具有极大的经济价值和社会价值。
疲劳状态的检测方法主要分主观评价和客观检测两类。主观评价方法主要是依靠个体自我评价和自我记录表等来评测被试者的疲劳程度。主观评价方法虽然操作简单,然而这些方法易受主观因素的影响,并且评分标准不统一,也难以量化疲劳等级,其结果往往不太令人满意。客观检测主要从生物医学角度出发,借用医用电子设备测试被试者的人体行为或生物信号的某些特征的变化趋势,从而判断其疲劳程度。现阶段研究的客观方法主要是利用生物信号的特征变化趋势加以检测,这些生物信号主要包括脑电信号、眼电信号、心电信号、肌电信号等。在这些生理信号中,脑电信号能客观地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,有着更高的时间分辨率,而且无法人为控制及伪造,被誉为疲劳检测方法的“金标准”,获得医学界的广泛认可。随着生物信号检测技术的进步和现代信号处理技术的快速发展,极大地推动了基于脑电的精神疲劳研究。
现有技术中基于脑电信号的疲劳检测方法,大多是基于theta波、alpha波和beta波的频谱特征变化趋势来检测警觉度变化情况,不同个体之间的theta波、alpha波和beta波的频谱特征存在非常大的差异,甚至可能出现不同数量级的差异。现有技术中的疲劳检测方法精确度不高,经常出现假阳性现象,对疲劳等级不能准确地判定,导致出错率很高。此外,现有技术中通常基于多通道的脑电信号进行研究,多通道脑电信号需要采用多个测试电极分别进行采集,因此电极位置受头发影响,佩戴起来不方便。
发明内容
本公开的目的包括提供一种基于脑电频谱特征的疲劳检测方法及系统,以至少部分解决现有技术中的上述问题。
根据本公开的一个方面,提供了一种基于脑电频谱特征的疲劳检测方法,包括:获取预定时间段内的脑电信号;将所述脑电信号中的中高频脑电信号的频率范围划分为多个频带;分别提取所述多个频带的相对功率;以及根据所述相对功率确定疲劳等级。
根据本公开的一个示例性实施方式,所述方法还包括对获取的所述脑电信号进行预处理,其中所述预处理包括:去除所述脑电信号中的幅度异常的信号,以产生剩余信号;对所述剩余信号进行标准化处理,以产生标准化信号;以及对所述标准化信号进行平滑滤波以滤除所述标准化信号中的基线漂移信号。
根据本公开的一个示例性实施方式,所述方法还包括对经预处理的所述脑电信号进行噪音检测,其中所述噪音检测包括:将所述脑电信号划分为多个分段;以及分别对所述多个分段进行噪音检测,以确定相应的分段是否属于噪音信号。
根据本公开的一个示例性实施方式,提取所述相对功率进一步包括:针对所述多个分段中不属于噪音信号的各个分段,分别提取所述多个频带的所述相对功率;以及针对所述多个频带,分别计算相应的所述相对功率的平均值。
根据本公开的一个示例性实施方式,所述方法还包括对提取的所述相对功率进行特征平滑,其中所述特征平滑包括:针对所述多个频带,分别利用当前预定时间段的相对功率以及当前预定时间段之前的多个时间段的相对功率,通过移动加权平均法计算当前预定时间段的经平滑的相对功率。
根据本公开的一个示例性实施方式,所述方法还包括:提取用于表征所述相对功率的变化趋势的一阶差分动态特征。
根据本公开的一个示例性实施方式,所述方法还包括:采用主成分分析法对由所述相对功率和所述一阶差分动态特征形成的特征向量进行降维。
根据本公开的一个示例性实施方式,所述方法还包括:采用线性判别分析法对特征降维后的特征向量进行特征选择,以选择出与疲劳相关的特征分量并且去除与疲劳无关的特征分量,得到特征选择后的特征向量。
根据本公开的一个示例性实施方式,根据所述相对功率确定疲劳等级进一步包括:根据特征选择后的特征向量,采用隐马尔可夫模型来确定所述疲劳等级。
根据本公开的一个示例性实施方式,所述中高频脑电信号的频率范围为5~30Hz。
根据本公开的一个示例性实施方式,将所述中高频脑电信号的频率范围划分为多个频带进一步包括:采用预定步长将所述中高频脑电信号的频率范围划分为多个频带,其中预定步长为1~5之间的整数。
根据本公开的一个示例性实施方式,所述多个频带包括:5~8Hz、9~10Hz、11~13Hz、14~18Hz、19~24Hz以及25~30Hz。
根据本公开的另一方面,提供了一种基于脑电频谱特征的疲劳检测系统,包括:脑电信号获取装置,用于获取预定时间段内的脑电信号;频带划分装置,用于将所述脑电信号中的中高频脑电信号的频率范围划分为多个频带;相对功率提取装置,用于分别提取所述多个频带的相对功率;以及疲劳等级确定装置,用于根据所述相对功率确定疲劳等级。
根据本公开的一个示例性实施方式,所述系统还包括预处理装置,所述预处理装置用于对获取的所述脑电信号进行预处理,其中所述预处理包括:去除所述脑电信号中的幅度异常的信号,以产生剩余信号;对所述剩余信号进行标准化处理,以产生标准化信号;以及对所述标准化信号进行平滑滤波以滤除所述标准化信号中的基线漂移信号。
根据本公开的一个示例性实施方式,所述系统还包括噪音检测装置,所述噪音检测装置用于对经预处理的所述脑电信号进行噪音检测,其中所述噪音检测包括:将所述脑电信号划分为多个分段:以及分别对所述多个分段进行噪音检测,以确定相应的分段是否属于噪音信号。
根据本公开的一个示例性实施方式,所述相对功率提取装置进一步包括:分段特征提取装置,用于针对所述多个分段中不属于噪音信号的各个分段,分别提取所述多个频带的所述相对功率;以及均值计算装置,用于针对所述多个频带,分别计算相应的所述相对功率的平均值。
根据本公开的一个示例性实施方式,所述系统还包括特征平滑装置,所述特征平滑装置用于对提取的相对功率进行特征平滑,其中特征平滑包括:针对多个频带,分别利用当前预定时间段的相对功率以及当前预定时间段之前的多个时间段的相对功率,通过移动加权平均法计算当前预定时间段的经平滑的相对功率。
根据本公开的一个示例性实施方式,所述系统还包括:动态特征提取装置,用于提取用于表征相对功率的变化趋势的一阶差分动态特征。
根据本公开的一个示例性实施方式,所述系统还包括:特征降维装置,用于采用主成分分析法对由相对功率和一阶差分动态特征形成的特征向量进行降维。
根据本公开的一个示例性实施方式,所述系统还包括:特征选择装置,用于采用线性判别分析法对特征降维后的特征向量进行特征选择,以选择出与疲劳相关的特征分量并且去除与疲劳无关的特征分量,得到特征选择后的特征向量。
根据本公开的一个示例性实施方式,所述疲劳等级确定装置根据所述特征选择后的特征向量,采用隐马尔可夫模型来确定所述疲劳等级。
根据本公开的一个示例性实施方式,所述中高频脑电信号的频率范围为5~30Hz。
根据本公开的一个示例性实施方式,所述频带划分装置采用预定步长将所述中高频脑电信号的频率范围划分为多个频带,其中所述预定步长为1~5之间的整数。
根据本公开的一个示例性实施方式,所述多个频带包括:5~8Hz、9~10Hz、11~13Hz、14~18Hz、19~24Hz以及25~30Hz。
在本公开的各个实施方式的技术方案中,采用中高频脑电信号的多个频带的相对功率来进行疲劳检测,能够避免不同个体之间的差异性,极大地提高了本发明的疲劳特征检测方法的通用性,并且能够进一步提高疲劳检测的准确性。
附图说明
当结合附图阅读下文对示范性实施方式的详细描述时,这些以及其它目的、特征和优点将变得显而易见,在附图中:
图1示出了根据本公开的示例性实施方式的疲劳检测方法的流程图;
图2示出了根据本公开的示例性实施方式的疲劳检测系统的框图;以及
图3示出了根据本公开的示例性实施方式的相对频率提取装置的框图。
具体实施方式
下面将参考附图中示出的若干示例性实施方式来描述本公开的原理和方法。应当理解,描述这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开,而并非以任何方式限制本公开的范围。
图1示出了根据本公开的示例性实施方式的疲劳检测方法的流程图。如图1所示,疲劳检测方法总体上可以包括以下步骤:在101,获取预定时间段内的脑电信号;在102,对获取的脑电信号进行预处理;在103,对经预处理的脑电信号进行噪音检测;在104,将脑电信号中的中高频脑电信号的频率范围划分为多个频带;在105,分别提取各个频带的相对功率;在106,对提取的相对功率进行特征平滑;在107,提取用于表征相对功率的变化趋势的一阶差分动态特征;在108,对由相对功率和一阶差分动态特征形成的特征向量进行降维;在109,对特征向量进行特征选择;以及在110,根据特征向量确定疲劳等级。
在步骤101中,获取预定时间段内的脑电信号。原始脑电信号可以利用三个干电极(包括测试电极、参考电极和接地电极)进行采集,其中测试电极采集单通道脑电信号。三个干电极可以固定在发带上并且在使用时并排安放在前额位置。由于可以仅采用单个测试电极来采集原始单通道脑电信号,大大的减少了电极的数量,所以佩戴舒适方便,并且电极位置不受头发影响。原始脑电信号的采样率可以为1KHz,在进行信号处理时可以对信号进行40Hz的低通滤波,然后降采样到128Hz。在以下描述中,假设针对每10秒的脑电信号实时判断一次疲劳程度,即每次获取10秒的脑电信号。然而,在本公开的各个实施方式中,上述预定时间段并不限于10秒,可以为其它时间长度,例如20秒。
在步骤102中,可以对在步骤101中获取的脑电信号进行预处理。预处理包括以下步骤:去除脑电信号中的幅度异常的信号,以产生剩余信号;对剩余信号进行标准化处理,以产生标准化信号;以及对标准化信号进行平滑滤波以滤除标准化信号中的基线漂移信号。例如,对于在步骤101中获取的脑电信号,可以直接去除幅值超过400μV的幅度异常的信号。对于剩余的信号可以进行标准化处理以产生标准化信号,该标准化处理包括去除直流分量和单位化标准差。随后,可以对标准化信号可以进行平滑滤波,以滤除标准化信号中的频率低于0.3Hz的基线漂移信号。
在步骤103中,对在步骤102中获得的经预处理的脑电信号进行噪音检测。噪音检测包括以下步骤:将脑电信号划分为多个分段;以及分别对多个分段进行噪音检测,以确定相应的分段是否属于噪音信号。例如,可以以1秒长度为基准并且以0.25秒长度为步长,将10秒脑电信号划分为若干个分段,例如分段0~1秒、分段0.25~1.25秒、分段0.5~1.5秒等,以此类推。然后,例如可以根据各个分段的标准差来对各个分段进行噪音检测,以判断相应的分段是否属于噪音信号(主要包括肌电信号和眼电信号等噪音)。对于属于噪音信号的分段,在后续特征提取步骤中将跳过该分段,即不提取属于噪音信号的分段的相对功率。
在步骤104中,将脑电信号中的中高频脑电信号的频率范围划分为多个频带。中高频脑电信号的频率范围是5~30Hz,即本公开可以利用5~30Hz频段内的脑电信号来检测疲劳。可以采用预定步长(例如1~5之间的整数)对5~30Hz频段进行划分。例如,当预定步长为1Hz时,每一个频率值对应于一个频带,共26个频带,在后续步骤中,可以分别通过快速傅里叶变换计算这些频带的相对功率(每个频带的绝对功率与5~30Hz频段的绝对功率的比值),然后可以再计算各个相对功率的一阶差分特征,总共可以得到52维的特征向量。当预定步长为5Hz时,5~30Hz频段可划分为六个频带:5~9Hz,10~14Hz,15~19Hz,20~24Hz,25~30Hz,在后续步骤中,可以分别通过快速傅里叶变换计算这些频带的相对功率(每个频带的绝对功率与5~30Hz频段的绝对功率的比值),然后可以再计算各个相对功率的一阶差分特征,总共可以得到10维的特征向量。此外,也可以按照常用频带对5~30Hz频段进行划分,即theta(5~8Hz),alpha1(9~10Hz),alpha2(11~13Hz),beta1(14~18Hz),beta2(19~24Hz),beta3(25~30Hz),在后续步骤中可以分别通过快速傅里叶变换计算这些频带的相对功率(即相应频带的绝对功率与5~30Hz频段的绝对功率的比值),然后可以再计算各个相对功率的一阶差分特征,总共可以得到12维的特征向量。由于每个相对功率都是0~1之间的数值,这样可以避免不同个体之间的差异性,极大地提高了本公开的疲劳特征检测方法的通用性。
在步骤105中,分别提取各个频带的相对功率。相对功率是指在步骤104中划分的各个频带的绝对功率与整个频段(例如5~30Hz频段)的绝对功率的比值。例如当在步骤104中按照常用频带将5~30Hz频段划分为如下六个频带时:theta(5~8Hz),alpha1(9~10Hz),alpha2(11~13Hz),beta1(14~18Hz),beta2(19~24Hz),beta3(25~30Hz),分别通过快速傅里叶变换计算这些频带的相对功率(即相应的频带的绝对功率与5~30Hz频段绝对功率的比值),因此可以得到六个相对频率,作为10秒脑电信号的静态疲劳特征。在本公开的实施方式中,通过计算不同人体的中高频脑电信号的相对功率,避免了个体间的差异性,而不是直接利用其绝对功率进行疲劳检测。
作为示例,对于在步骤103中进行了噪音检测的多个分段脑电信号,可以通过以下步骤来提取相对功率:针对多个分段中不属于噪音信号的各个分段,分别提取各个频带的相对功率;以及针对各个频带,分别计算相应的相对功率的平均值。也就是说,在该步骤中,可以跳过属于噪音信号的分段,仅提取不属于噪音信号的分段的相对功率,并且针对各个频带,分别计算相应的相对功率的平均值作为各个频带的相对功率。
在步骤106中,可以对在步骤105中提取的相对功率进行特征平滑。特征平滑包括以下步骤:针对各个频带,分别利用当前预定时间段的相对功率以及当前预定时间段之前的多个时间段的相对功率,通过移动加权平均法计算当前预定时间段的经平滑的相对功率。由于个体疲劳程度缓慢变化,而不同时刻的静态疲劳特征(例如相对功率)波动很大,因此可以利用移动加权平均法来减缓不同时间段的特征波动。移动加权平均法的窗口长度可以为24个点(对应于24个时间段),即对当前点(对应于当前的预定时间段)与之前的23个点(对应于当前预定时间段之前的23个时间段)的相对功率加权求和作为当前点的相对功率。24个点的权重系数依次增加,其中当前点权重最大。
在步骤107中,提取用于表征相对功率的变化趋势的一阶差分动态特征。例如,可以计算用于表征静态疲劳特征(例如在步骤105提取的相对功率或在步骤106中经特征平滑的相对功率)的变化趋势的一阶差分动态特征,例如可以根据等式0.75*a(n+2)+0.375*a(n+1)-0.75*a(n-2)-0.375*a(n-1)来计算一阶差分动态特征,其中a(n)代表第n个时间段的相对功率。
在步骤108中,对由相对功率和一阶差分动态特征形成的特征向量进行降维。在一个实施方式中,可以采用主成分分析法(PCA)对由相对功率和一阶差分动态特征形成的特征向量进行降维。例如当在步骤105中针对六个频带theta(5~8Hz),alpha1(9~10Hz),alpha2(11~13Hz),beta1(14~18Hz),beta2(19~24Hz),beta3(25~30Hz)分别计算相应的相对功率、并且在步骤107中分别计算用于表征各个相对功率的变化趋势的一阶差分动态特征时,因此总共可以得到12维特征向量。可以采用主成分分析法将12维特征向量降到8维。
在步骤109中,对特征降维后的特征向量进行特征选择。例如,可以利用线性判别分析法(LDA)对特征向量进行特征选择,以选择出与疲劳相关的特征分量,并且去除与疲劳无关的特征分量,最终得到2维特征向量,供后续模型训练和疲劳等级分类使用。
在步骤110中,根据疲特征选择后的2维特征向量确定疲劳等级。在本公开的一个实施方式中,可以采用隐马尔可夫(HMM)模型来确定疲劳等级(即警觉度)。警觉度可以分三个层次:清醒,过渡和疲劳。一个HMM模型可以模拟一个警觉度水平,可以从若干受试者的疲劳特征数据中挑选出适当的三个警觉度水平的训练数据,训练出三个HMM模型,用于警觉度分类,即确定疲劳等级。然而,警觉度也可以划分为其它数目的疲劳等级,例如1~9、1~100、甚至更多个疲劳等级。疲劳等级的数值越大表示越疲劳,例如当采用1~9的疲劳等级时,可以根据具体需求设定疲劳等级低于某个具体数值为非疲劳状态,例如可以设定疲劳等级低于6表示个体处于非疲劳状态,疲劳等级为6表示个体处于轻微疲劳状态,疲劳等级超过6表示个体进入疲劳状态。当确定个体进入疲劳状态时,可以根据不同的疲劳程度和具体需求采用不同层次的报警方式进行报警。
在上文中参照图1中所示的特定实施方式描述了根据本公开的疲劳检测方法的原理。然而本领域技术人员能够理解的是,根据本发明的疲劳检测方法并不限于上述具体步骤,而是以权利要求所限定的范围为准。根据不同的需求,本领域技术人员容易想到省略或添加一个或多个步骤。
图2示出了根据本公开的示例性实施方式的疲劳检测系统的框图。如图2所示,疲劳检测系统总体上可以包括:脑电信号获取装置201,用于获取预定时间段内的脑电信号;预处理装置202,用于对获取的脑电信号进行预处理;噪音检测装置203,用于对经预处理的脑电信号进行噪音检测;频带划分装置204,用于将脑电信号中的中高频脑电信号的频率范围划分为多个频带;相对功率提取装置205,用于分别提取各个频带的相对功率;特征平滑装置206,用于对提取的相对功率进行特征平滑;动态特征提取装置207,用于提取用于表征相对功率的变化趋势的一阶差分动态特征;特征降维装置208,用于对由相对功率和一阶差分动态特征形成的特征向量进行降维;特征选择装置209,用于对特征向量进行特征选择;以及疲劳等级确定装置210,用于根据特征向量确定疲劳等级。
脑电信号获取装置201用于获取预定时间段内的脑电信号。原始脑电信号可以利用三个干电极(包括测试电极、参考电极和接地电极)进行采集,其中测试电极采集单通道脑电信号。三个干电极可以固定在发带上并且在使用时并排安放在前额位置。由于可以仅采用单个测试电极来采集原始单通道脑电信号,大大减少了电极的数量,所以佩戴舒适方便,并且电极位置不受头发影响。原始脑电信号的采样率可以为1KHz,在进行信号处理时可以对信号进行40Hz的低通滤波,然后降采样到128Hz。在以下描述中,假设针对每10秒的脑电信号实时判断一次疲劳程度,即脑电信号获取装置201每次获取10秒的脑电信号。然而,在本公开的各个实施方式中,上述预定时间段并不限于10秒,可以为其它时间长度,例如20秒。
预处理装置202用于对由脑电信号获取装置201获取的脑电信号进行预处理。预处理包括以下步骤:去除脑电信号中的幅度异常的信号,以产生剩余信号;对剩余信号进行标准化处理,以产生标准化信号;以及对标准化信号进行平滑滤波以滤除标准化信号中的基线漂移信号。例如,对于在脑电信号获取装置201中获取的脑电信号,预处理装置202可以直接去除幅值超过400μV的幅度异常的信号。预处理装置202对于剩余的信号可以进行标准化处理以产生标准化信号,该标准化处理例如可以包括去除直流分量和单位化标准差。随后,预处理装置202可以对标准化信号可以进行平滑滤波,以滤除标准化信号中的频率低于0.3Hz的基线漂移信号。
噪音检测装置203用于对在步骤102中获得的经预处理的脑电信号进行噪音检测。噪音检测包括以下步骤:将脑电信号划分为多个分段;以及分别对多个分段进行噪音检测,以确定相应的分段是否属于噪音信号。例如,噪音检测装置203可以以1秒长度为基准并且以0.25秒长度为步长,将10秒脑电信号划分为若干个分段,例如分段0~1秒、分段0.25~1.25秒、分段0.5~1.5秒等,以此类推。然后,噪音检测装置203例如可以根据各个分段的标准差来对各个分段进行噪音检测,以判断相应的分段是否属于噪音信号(主要包括肌电信号和眼电信号等噪音)。对于属于噪音信号的分段,在之后将由相对功率提取装置205中将跳过该分段,即相对功率提取装置205不提取属于噪音信号的分段的相对功率。
频带划分装置204用于将脑电信号中的中高频脑电信号的频率范围划分为多个频带。中高频脑电信号的频率范围例如可以是5~30Hz,即本公开可以利用5~30Hz频段内的脑电信号来检测疲劳。频带划分装置204可以采用预定步长(例如1~5之间的整数)对5~30Hz频段进行划分。例如,当预定步长为1Hz时,每一个频率值对应于一个频带,共26个频带,在后续步骤中,相对功率提取装置205可以分别通过快速傅里叶变换计算这些频带的相对功率(每个频带的绝对功率与5~30Hz频段的绝对功率的比值),然后动态特征提取装置207可以再计算各个相对功率的一阶差分特征,总共可以得到52维的特征向量。当预定步长为5Hz时,5~30Hz频段可划分为六个频带:5~9Hz,10~14Hz,15~19Hz,20~24Hz,25~30Hz,在后续步骤中,相对功率提取装置205可以分别通过快速傅里叶变换计算这些频带的相对功率(每个频带的绝对功率与5~30Hz频段的绝对功率的比值),然后动态特征提取装置207可以再计算各个相对功率的一阶差分特征,总共可以得到10维的特征向量。此外,也可以按照常用频带对5~30Hz频段进行划分,即theta(5~8Hz),alpha1(9~10Hz),alpha2(11~13Hz),beta1(14~18Hz),beta2(19~24Hz),beta3(25~30Hz),在后续步骤中,相对功率提取装置205可以分别通过快速傅里叶变换计算这些频带的相对功率(即相应频带的绝对功率与5~30Hz频段的绝对功率的比值),然后动态特征提取装置207可以再计算各个相对功率的一阶差分特征,总共可以得到12维的特征向量。由于每个相对功率都是0~1之间的数值,这样可以避免不同个体之间的差异性,极大地提高了本公开的疲劳特征检测方法的通用性。
相对功率提取装置205用于分别提取各个频带的相对功率。相对功率是指在频带划分装置204中划分的各个频带的绝对功率与整个频段(例如5~30Hz频段)的绝对功率的比值。例如当在频带划分装置204中按照常用频带将5~30Hz频段划分为如下六个频带时:theta(5~8Hz),alpha1(9~10Hz),alpha2(11~13Hz),beta1(14~18Hz),beta2(19~24Hz),beta3(25~30Hz),分别通过快速傅里叶变换计算这些频带的相对功率(即相应频带的绝对功率与5~30Hz频段的绝对功率的比值),因此可以得到六个相对频率,作为10秒脑电信号的静态疲劳特征。在本公开的实施方式中,通过计算不同人体的中高频脑电信号的相对功率,避免了个体间的差异性,而不是直接利用其绝对功率进行疲劳检测。
图3示出了根据本公开的示例性实施方式的相对频率提取装置的框图。如图3所示,相对功率提取装置205可以包括:分段特征提取装置301,用于针对多个分段中不属于噪音信号的各个分段,分别提取各个频带的相对功率;以及均值计算装置302,用于针对多个频带,分别计算相应的相对功率的平均值。也就是说,对于在噪音检测装置203中进行了噪音检测的多个分段脑电信号,分段特征提取装置301可以跳过属于噪音信号的分段,仅提取不属于噪音信号的分段的相对功率,并且均值计算装置302针对各个频带,分别计算相应的相对功率的平均值,作为各个频带的相对功率。
特征平滑装置206可以对在相对功率提取装置205中提取的相对功率进行特征平滑。特征平滑包括以下步骤:针对各个频带,分别利用当前预定时间段的相对功率以及当前预定时间段之前的多个时间段的相对功率,通过移动加权平均法计算当前预定时间段的经平滑的相对功率。由于个体疲劳程度缓慢变化,而不同时刻的静态疲劳特征(例如相对功率)波动很大,因此特征平滑装置206可以利用移动加权平均法来减缓不同时间段的特征波动。移动加权平均法的窗口长度可以为24个点(对应于24个时间段),即对当前点(对应于当前的预定时间段)与之前的23个点(对应于当前预定时间段之前的23个时间段)的相对功率加权求和作为当前点的相对功率。24个点的权重系数依次增加,其中当前点权重最大。
动态特征提取装置207可以提取用于表征相对功率的变化趋势的一阶差分动态特征。例如,动态特征提取装置207可以计算用于表征静态疲劳特征(例如在相对功率提取装置205中提取的相对功率或在特征平滑装置206中经特征平滑的相对功率)的变化趋势的一阶差分动态特征,例如可以根据等式0.75*a(n+2)+0.375*a(n+1)-0.75*a(n-2)-0.375*a(n-1)来计算一阶差分动态特征,其中a(n)代表第n个时间段的相对功率。
特征降维装置208用于对由相对功率和一阶差分动态特征形成的特征向量进行降维。在一个实施方式中,特征降维装置208可以采用主成分分析法(PCA)对由相对功率和一阶差分动态特征形成的特征向量进行降维。例如当在相对功率提取装置205中针对六个频带theta(5~8Hz),alpha1(9~10Hz),alpha2(11~13Hz),beta1(14~18Hz),beta2(19~24Hz),beta3(25~30Hz)分别计算相应的相对功率、并且在动态特征提取装置207中分别计算用于表征各个相对功率的变化趋势的一阶差分动态特征时,总共可以得到12维特征向量。特征降维装置208可以采用主成分分析法将12维特征向量降到8维。
特征选择装置209可以对特征降维后的特征向量进行特征选择。例如,特征选择装置209可以利用线性判别分析法(LDA)对特征向量进行特征选择,以选择出与疲劳相关的特征分量,并且去除与疲劳无关的特征分量,最终得到2维特征向量,供后续模型训练和疲劳等级分类使用。
疲劳等级确定装置210用于根据特征选择后的2维特征向量确定疲劳等级。在本公开的一个实施方式中,疲劳等级确定装置210可以采用隐马尔可夫(HMM)模型来确定疲劳等级(即警觉度)。警觉度可以分三个层次:清醒,过渡和疲劳。一个HMM模型可以模拟一个警觉度水平,可以从若干受试者的疲劳特征数据中挑选出适当的三个警觉度水平的训练数据,训练出三个HMM模型,用于警觉度分类,即确定疲劳等级。然而,警觉度也可以划分为其它数目的疲劳等级,例如1~9、1~100、甚至更多个疲劳等级。疲劳等级的数值越大表示越疲劳,例如当采用1~9的疲劳等级时,可以设定疲劳等级低于某个具体数值为非疲劳状态,例如可以设定疲劳等级低于6表示个体处于非疲劳状态,疲劳等级为6表示个体处于轻微疲劳状态,疲劳等级超过6表示个体进入疲劳状态。当确定个体进入疲劳状态时,可以根据不同的疲劳程度和具体需求采用不同层次的报警方式进行报警。
在上文中参照图2中所示的特定实施方式描述了根据本公开的疲劳检测系统的原理。然而本领域技术人员能够理解的是,根据本公开的疲劳检测系统并不限于上述具体结构,而是以权利要求所限定的范围为准。根据不同的需求,本领域技术人员容易想到省略或添加一个或多个模块。
采用中高频脑电信号的多个频带的相对功率来进行疲劳检测,能够避免不同个体之间的差异性,极大地提高了本公开的疲劳特征检测方法的通用性,并且能够进一步提高疲劳检测的准确性。
此外,虽然在上文中根据单通道脑电信号对本公开的原理进行了说明,但是本公开的疲劳检测系统和方法也适用于利用多通道脑电信号来进行疲劳检测,在本文中并不进行限定。
显然,本领域的技术人员应该明白,上述的本公开的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本公开不限制于任何特定的硬件和软件结合。
已经出于示出和描述的目的给出了本公开的说明书,但是其并不意在是穷举的或者限制于所公开形式的发明。本领域技术人员可以想到很多修改和变体。因此,实施方式是为了更好地说明本公开的原理、实际应用以及使本领域技术人员中的其他人员能够理解以下内容而选择和描述的,即,在不脱离本公开精神的前提下,做出的所有修改和替换都将落入所附权利要求定义的本公开保护范围内。
Claims (24)
1.一种基于脑电频谱特征的疲劳检测方法,包括:
获取预定时间段内的脑电信号;
将所述脑电信号中的中高频脑电信号的频率范围划分为多个频带;
分别提取所述多个频带的相对功率;以及
根据所述相对功率确定疲劳等级。
2.根据权利要求1所述的疲劳检测方法,还包括对获取的所述脑电信号进行预处理,其中所述预处理包括:
去除所述脑电信号中的幅度异常的信号,以产生剩余信号;
对所述剩余信号进行标准化处理,以产生标准化信号;以及
对所述标准化信号进行平滑滤波以滤除所述标准化信号中的基线漂移信号。
3.根据权利要求2所述的疲劳检测方法,还包括对经预处理的所述脑电信号进行噪音检测,其中所述噪音检测包括:
将所述脑电信号划分为多个分段;以及
分别对所述多个分段进行噪音检测,以确定相应的分段是否属于噪音信号。
4.根据权利要求3所述的疲劳检测方法,其中提取所述相对功率进一步包括:
针对所述多个分段中不属于噪音信号的各个分段,分别提取所述多个频带的所述相对功率;以及
针对所述多个频带,分别计算相应的所述相对功率的平均值。
5.根据权利要求1所述的疲劳检测方法,还包括对提取的所述相对功率进行特征平滑,其中所述特征平滑包括:
针对所述多个频带,分别利用当前预定时间段的所述相对功率以及所述当前预定时间段之前的多个时间段的相对功率,通过移动加权平均法计算所述当前预定时间段的经平滑的所述相对功率。
6.根据权利要求1所述的疲劳检测方法,还包括:
提取用于表征所述相对功率的变化趋势的一阶差分动态特征。
7.根据权利要求6所述的疲劳检测方法,还包括:
采用主成分分析法对由所述相对功率和所述一阶差分动态特征形成的特征向量进行降维。
8.根据权利要求7所述的疲劳检测方法,还包括:
采用线性判别分析法对特征降维后的特征向量进行特征选择,以选择出与疲劳相关的特征分量并且去除与疲劳无关的特征分量,得到特征选择后的特征向量。
9.根据权利要求8所述的疲劳检测方法,其中根据所述相对功率确定疲劳等级进一步包括:
根据特征选择后的特征向量,采用隐马尔可夫模型来确定所述疲劳等级。
10.根据权利要求1至9中任一项所述的疲劳检测方法,其中所述中高频脑电信号的频率范围为5~30Hz。
11.根据权利要求10所述的疲劳检测方法,其中将所述中高频脑电信号的频率范围划分为多个频带进一步包括:采用预定步长将所述中高频脑电信号的频率范围划分为多个频带,其中所述预定步长为1~5之间的整数。
12.根据权利要求10所述的疲劳检测方法,其中所述多个频带包括:5~8Hz、9~10Hz、11~13Hz、14~18Hz、19~24Hz以及25~30Hz。
13.一种基于脑电频谱特征的疲劳检测系统,包括:
脑电信号获取装置,用于获取预定时间段内的脑电信号;
频带划分装置,用于将所述脑电信号中的中高频脑电信号的频率范围划分为多个频带;
相对功率提取装置,用于分别提取所述多个频带的相对功率;以及
疲劳等级确定装置,用于根据所述相对功率确定疲劳等级。
14.根据权利要求13所述的疲劳检测系统,还包括预处理装置,所述预处理装置用于对获取的所述脑电信号进行预处理,其中所述预处理包括:
去除所述脑电信号中的幅度异常的信号,以产生剩余信号;
对所述剩余信号进行标准化处理,以产生标准化信号;以及
对所述标准化信号进行平滑滤波以滤除所述标准化信号中的基线漂移信号。
15.根据权利要求14所述的疲劳检测系统,还包括噪音检测装置,所述噪音检测装置用于对经预处理的所述脑电信号进行噪音检测,其中所述噪音检测包括:
将所述脑电信号划分为多个分段;以及
分别对所述多个分段进行噪音检测,以确定相应的分段是否属于噪音信号。
16.根据权利要求15所述的疲劳检测系统,其中所述相对功率提取装置进一步包括:
分段特征提取装置,用于针对所述多个分段中不属于噪音信号的各个分段,分别提取所述多个频带的所述相对功率;以及
均值计算装置,用于针对所述多个频带,分别计算相应的所述相对功率的平均值。
17.根据权利要求13所述的疲劳检测系统,还包括特征平滑装置,所述特征平滑装置用于对提取的所述相对功率进行特征平滑,其中所述特征平滑包括:
针对所述多个频带,分别利用当前预定时间段的所述相对功率以及所述当前预定时间段之前的多个时间段的相对功率,通过移动加权平均法计算所述当前预定时间段的经平滑的所述相对功率。
18.根据权利要求13所述的疲劳检测系统,还包括:
动态特征提取装置,用于提取用于表征所述相对功率的变化趋势的一阶差分动态特征。
19.根据权利要求18所述的疲劳检测系统,还包括:
特征降维装置,用于采用主成分分析法对由所述相对功率和所述一阶差分动态特征形成的特征向量进行降维。
20.根据权利要求19所述的疲劳检测系统,还包括:
特征选择装置,用于采用线性判别分析法对特征降维后的特征向量进行特征选择,以选择出与疲劳相关的特征分量并且去除与疲劳无关的特征分量,得到特征选择后的特征向量。
21.根据权利要求20所述的疲劳检测系统,其中所述疲劳等级确定装置根据特征选择后的特征向量,采用隐马尔可夫模型来确定所述疲劳等级。
22.根据权利要求13至21中任一项所述的疲劳检测系统,其中所述中高频脑电信号的频率范围为5~30Hz。
23.根据权利要求22所述的疲劳检测系统,其中所述频带划分装置采用预定步长将所述中高频脑电信号的频率范围划分为多个频带,其中所述预定步长为1~5之间的整数。
24.根据权利要求22所述的疲劳检测系统,其中所述多个频带包括:5~8Hz、9~10Hz、11~13Hz、14~18Hz、19~24Hz以及25~30Hz。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510161554.4A CN104720798A (zh) | 2015-04-03 | 2015-04-03 | 基于脑电频谱特征的疲劳检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510161554.4A CN104720798A (zh) | 2015-04-03 | 2015-04-03 | 基于脑电频谱特征的疲劳检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104720798A true CN104720798A (zh) | 2015-06-24 |
Family
ID=53445637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510161554.4A Pending CN104720798A (zh) | 2015-04-03 | 2015-04-03 | 基于脑电频谱特征的疲劳检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104720798A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105559779A (zh) * | 2016-03-01 | 2016-05-11 | 夏鹏 | 一种通过脑电频谱进行认知评价的方法 |
CN105869356A (zh) * | 2016-06-15 | 2016-08-17 | 上海帝仪科技有限公司 | 一种铁路司机工作状态的评估干预系统及方法 |
CN109907760A (zh) * | 2019-04-04 | 2019-06-21 | 苏州国科视清医疗科技有限公司 | 基于头动信号和眼电信号的疲劳检测方法 |
CN110215206A (zh) * | 2019-06-12 | 2019-09-10 | 中国科学院自动化研究所 | 基于脑电信号的立体显示视疲劳评价方法、系统、装置 |
CN110477910A (zh) * | 2019-08-14 | 2019-11-22 | 深圳先进技术研究院 | 癫痫发作预测装置、终端设备以及计算机可读存储介质 |
CN113907758A (zh) * | 2021-12-13 | 2022-01-11 | 深圳市心流科技有限公司 | 一种驾驶员疲劳检测方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6434419B1 (en) * | 2000-06-26 | 2002-08-13 | Sam Technology, Inc. | Neurocognitive ability EEG measurement method and system |
US6622036B1 (en) * | 2000-02-09 | 2003-09-16 | Cns Response | Method for classifying and treating physiologic brain imbalances using quantitative EEG |
CN101243973A (zh) * | 2008-01-31 | 2008-08-20 | 杨杰 | 疲劳瞌睡监测唤醒方法及装置 |
CN101690659A (zh) * | 2009-09-29 | 2010-04-07 | 华东理工大学 | 脑电波分析方法 |
CN102274032A (zh) * | 2011-05-10 | 2011-12-14 | 北京师范大学 | 一种基于脑电信号的驾驶员疲劳检测系统 |
KR101402739B1 (ko) * | 2011-11-01 | 2014-06-30 | 기초과학연구원 | 뇌파 변화 분석을 통한 시각 피로도 측정 장치 및 방법 |
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 |
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 |
CN104382592A (zh) * | 2014-12-11 | 2015-03-04 | 康泰医学系统(秦皇岛)股份有限公司 | 一种基于功率谱分析算法的脑电检测装置 |
-
2015
- 2015-04-03 CN CN201510161554.4A patent/CN104720798A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6622036B1 (en) * | 2000-02-09 | 2003-09-16 | Cns Response | Method for classifying and treating physiologic brain imbalances using quantitative EEG |
US6434419B1 (en) * | 2000-06-26 | 2002-08-13 | Sam Technology, Inc. | Neurocognitive ability EEG measurement method and system |
CN101243973A (zh) * | 2008-01-31 | 2008-08-20 | 杨杰 | 疲劳瞌睡监测唤醒方法及装置 |
CN101690659A (zh) * | 2009-09-29 | 2010-04-07 | 华东理工大学 | 脑电波分析方法 |
CN102274032A (zh) * | 2011-05-10 | 2011-12-14 | 北京师范大学 | 一种基于脑电信号的驾驶员疲劳检测系统 |
KR101402739B1 (ko) * | 2011-11-01 | 2014-06-30 | 기초과학연구원 | 뇌파 변화 분석을 통한 시각 피로도 측정 장치 및 방법 |
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 |
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 |
CN104382592A (zh) * | 2014-12-11 | 2015-03-04 | 康泰医学系统(秦皇岛)股份有限公司 | 一种基于功率谱分析算法的脑电检测装置 |
Non-Patent Citations (2)
Title |
---|
孙珲: "基于脑电信号的在线疲劳监测算法研究", 《上海交通大学硕士学位论文》 * |
赵春临等: "基于脑电功率谱—连续隐马尔科夫链的精神疲劳分级模型", 《西安交通大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105559779A (zh) * | 2016-03-01 | 2016-05-11 | 夏鹏 | 一种通过脑电频谱进行认知评价的方法 |
CN105869356A (zh) * | 2016-06-15 | 2016-08-17 | 上海帝仪科技有限公司 | 一种铁路司机工作状态的评估干预系统及方法 |
CN109907760A (zh) * | 2019-04-04 | 2019-06-21 | 苏州国科视清医疗科技有限公司 | 基于头动信号和眼电信号的疲劳检测方法 |
CN110215206A (zh) * | 2019-06-12 | 2019-09-10 | 中国科学院自动化研究所 | 基于脑电信号的立体显示视疲劳评价方法、系统、装置 |
CN110477910A (zh) * | 2019-08-14 | 2019-11-22 | 深圳先进技术研究院 | 癫痫发作预测装置、终端设备以及计算机可读存储介质 |
CN113907758A (zh) * | 2021-12-13 | 2022-01-11 | 深圳市心流科技有限公司 | 一种驾驶员疲劳检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104720798A (zh) | 基于脑电频谱特征的疲劳检测方法及系统 | |
US20210000426A1 (en) | Classification system of epileptic eeg signals based on non-linear dynamics features | |
Ahammad et al. | Detection of epileptic seizure event and onset using EEG | |
Kumari et al. | Seizure detection in EEG using time frequency analysis and SVM | |
Uthayakumar et al. | Epileptic seizure detection in EEG signals using multifractal analysis and wavelet transform | |
Bajaj et al. | EEG signal classification using empirical mode decomposition and support vector machine | |
CN107095669B (zh) | 一种癫痫患者脑电信号的处理方法及系统 | |
Slimen et al. | Epileptic seizure prediction based on EEG spikes detection of ictal-preictal states | |
Khoa et al. | Higuchi fractal properties of onset epilepsy electroencephalogram | |
CN106691474A (zh) | 融合脑电信号与生理信号的疲劳检测系统 | |
CN104720799A (zh) | 基于低频脑电信号的疲劳检测方法及系统 | |
CN104173064B (zh) | 基于心率变异分析的测谎方法及测谎装置 | |
Rana et al. | Seizure detection using the phase-slope index and multichannel ECoG | |
CN114615924B (zh) | 基于脑电图(eeg)非线性变化的用于癫痫发作检测的系统和方法 | |
CN106473736A (zh) | 基于复杂网络的脑电信号分析方法及应用 | |
CN102973266A (zh) | 用于自动痉挛监测的方法、设备和计算机程序产品 | |
CN108836322B (zh) | 一种裸眼3d显示视觉诱导晕动症检测方法 | |
Mulansky et al. | A guide to time-resolved and parameter-free measures of spike train synchrony | |
CN103892830A (zh) | 一种基于人体皮肤电阻变化的情绪检测方法及系统 | |
CN114391846A (zh) | 一种基于过滤式特征选择的情绪识别方法及系统 | |
Müller et al. | Incremental SSVEP analysis for BCI implementation | |
Sharmila et al. | Effect of filtering with time domain features for the detection of epileptic seizure from EEG signals | |
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 | |
Zhang et al. | Roughness-length-based characteristic analysis of intracranial EEG and epileptic seizure prediction | |
Song et al. | Epileptic seizure detection of electroencephalogram based on weighted-permutation entropy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into 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: 20150624 |