CN106539581A - 基于概率统计方法的管制员疲劳检测方法及系统 - Google Patents

Abstract

本发明提供了一种基于概率统计方法的管制员疲劳检测方法。方法为：获取管制员的脑电波，脑电波包括慢α波、α波、β波和θ波；计算得到慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值；获取基于概率统计方法的疲劳检测模型，将慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值输入疲劳检测模型，得到PERCLOS值仿真结果；根据PERCLOS值仿真结果，进行管制员的疲劳检测。本发明基于概率统计方法的管制员疲劳检测方法及系统，采用将脑电波参数输入基于概率统计方法建立的疲劳检测模型，得到PERCLOS值仿真结果进行疲劳检测。利用脑电波间接反映人的疲劳程度，脑电波获取方法简单，易于实现，成本低。

Description

基于概率统计方法的管制员疲劳检测方法及系统

技术领域

本发明涉及航空航天领域，尤其涉及疲劳检测。

背景技术

随着空中交通流量的日益增长，空中交通管制员的工作负荷越来越大，其疲劳程度对空中交通系统安全水平有着重要影响。国际民航组织已经为疲劳风险管理制定了Doc9966规章制度手册。欧美发达国家也先后将针对飞行员的疲劳检测系统或者方法扩展到管制员疲劳检测应用上。中国民航局以国际民航组织Doc9966为指导，也在CCAR-121文件中明确了疲劳风险管理的规则。

现有技术：到目前为止，国内外研究者提出了多种疲劳检测与管理方法和体系。第一种方法，收集大量被测者的问卷表格，用于疲劳判定和预测，研究人员会根据被测者的回答结果结合经验进行打分以确定疲劳程度，这样难免会受到研究者主观判断的影响；第二种方法：有相当一部分正在使用的方法均是通过观察较长时间内(如连续几十天)被测者的表现，从而建立疲劳趋势预测图表，再根据图表来判定在某一段时间内管制员是否疲劳。这样就直接忽略了管制员当前身体状况，可能对检测结果造成一定的影响；第三种方法：当前已有的适用于实时疲劳检测的方法大多采用对面部特征进行采集和识别的方法，这种方法需要高精度视频检测设备随时拍摄管制员，从成本角度分析不具备优势。

第一种方法的不足：受到研究者主观的影响，使对被测者的疲劳判定和预测不准确；第二种方法的不足：不能进行实时检测，根据被测者的一段时间表现来推测某一段时间内该管制员是否疲劳，忽略了当前管制员的身体状况，使疲劳判定和预测不准确；第三种方法的不足：虽然进行了实时监测管制员的疲劳状态，但该方法的实现需要高精度的视频检测设备，成本高，不适用。

因此，现有技术中的缺陷是：常用的方法采用的是直接反应人疲劳程度的参数进行疲劳检测，如：人的面部特征(眨眼闭合程度)，需要高精度的视频检测设备，成本高，适用性差，不能对管制员提供有效的疲劳检测。

发明内容

针对上述技术缺陷，本发明提供一种基于概率统计方法的管制员疲劳检测方法及系统，采用人体生理指标脑电波参数，将脑电波参数输入基于概率统计方法建立的疲劳检测模型，得到PERCLOS值仿真结果进行疲劳检测。利用脑电波间接反映人的疲劳程度，且脑电波获取方法简单，易于实现，成本低，为管制员提供有效的疲劳检测。

为解决上述技术问题，本发明提供一种基于概率统计方法的管制员疲劳检测方法及系统。

第一方面，本发明提供一种基于概率统计方法的管制员疲劳检测方法，包括：

步骤S1，获取管制员的脑电波，所述脑电波包括慢α波、α波、β波和θ波；

步骤S2，根据所述脑电波，计算得到慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值；

步骤S3，获取预先基于概率统计方法的疲劳检测模型，将所述慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值输入所述疲劳检测模型，得到PERCLOS值仿真结果；

步骤S4，根据所述PERCLOS值仿真结果，进行所述管制员的疲劳检测：

所述PERCLOS值仿真结果大于实验确定的阈值，判定所述管制员处于疲劳状态。

本发明的技术方案为先获取管制员的脑电波，所述脑电波包括慢α波、α波、β波和θ波；然后根据所述脑电波，计算得到慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值；接着获取预先基于概率统计方法的疲劳检测模型，将所述慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值输入所述疲劳检测模型，得到PERCLOS值仿真结果；最后根据所述PERCLOS值仿真结果，进行所述管制员的疲劳检测：所述PERCLOS值仿真结果大于实验确定的阈值，判定所述管制员处于疲劳状态。

本发明基于概率统计方法的管制员疲劳检测方法，采用人体生理指标脑电波参数，将脑电波参数输入预先基于概率统计方法建立的疲劳检测模型，得到PERCLOS值仿真结果进行管制员的疲劳检测。通常对管制员的疲劳检测都是利用人的面部特征，如，眨眼闭合程度数据(直接反映人疲劳程度的参数)，然后计算得到PERCLOS值测量结果进行疲劳检测判定，但检测人的面部特征需采用精度高的检测设备，实现起来成本高；而本发明中是利用间接反映人的疲劳程度的参数脑电波进行疲劳检测，脑电波获取方法简单，易于实现，成本低，通过间接参数可直接为管制员提供有效的疲劳检测。

进一步地，建立所述疲劳检测模型，包括：

获得多个管制员的眼睑闭合程度数据，计算得到PERCLOS值测量结果；

根据所述慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值，结合所述PERCLOS值测量结果，计算联合分布函数；

根据所述联合分布函数，计算条件概率分布函数；

根据所述条件概率分布函数，结合疲劳状态下的阈值，计算得到疲劳条件概率。

基于概率统计方法建立疲劳检测模型，就是将从多个管制员的脑电波采集中计算得到的三个参数，即慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值与对应的多个管制员的眼睑闭合程度数据通过计算，得到PERCLOS值测量结果与三个参数间的关系，确立疲劳条件概率函数关系，该疲劳检测模型是通过大量数据实验得到的，可根据此模型对管制员提供有效的疲劳检测。

进一步地，所述步骤S2包括：

步骤S21，根据所述脑电波，进行小波变换去噪处理，得到去噪后的脑电波；

步骤S22，根据所述去噪后的脑电波，计算得到慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值。

获得脑电波后，要先对脑电波进行去噪处理，小波去噪效果好，是源于小波变换有如下的优点：

(1)、低熵性，小波系数的稀疏分布，使得图象变换后的熵降低；

(2)、多分辨率，由于采用了多分辨率的方法，所以可以非常好地刻画信号的非平稳特征，如边缘、尖峰、断点等；

(3)、去相关性，因为小波变换可以对信号进行去相关，且噪声在变换后有白化趋势，所以小波域比时域更利于去噪；

(4)、选基灵活性，由于小波变换可以灵活选择变换基，从而对不同应用场合，对不同的研究对象，可以选用不同的小波母函数，以获得最佳的效果。

因此选用小波变换对脑电波进行去噪处理，使获得的PERCLOS值仿真结果更准确，进而对管制员疲劳状态的判断更准确。

进一步地，所述计算得到PERCLOS值测量结果，包括：

从所述眼睑闭合数据中获取所述管制员清醒状态下的上下眼睑最大距离；

将所述眼睑闭合数据除以所述上下眼睑最大距离，得到眼睑闭合程度；

根据所述眼睑闭合程度，计算单位时间内的闭眼时间；

将所述闭眼时间除以所述单位时间得到PERCLOS值测量结果。

PERCLOS值测量结果是卡内基梅隆研究所经过反复实验和论证，提出了度量疲劳/瞌睡的物理量，是Percent Eye Closure的缩写，指在一定的时间内眼睛闭合时所占的时间比例。根据PERCLOS值测量结果，即可判断出管制员的疲劳状态。

进一步地，通过计算单位时间内眼睑闭合程度大于70％或80％的对应的时间段的总和得到所述单位时间内的闭眼时间。

在具体试验中有P70和P80两种测量方式。其中P80被认为最能反映人的疲劳程度，即单位时间内眼睑闭合程度大于80％时，检测效果最好。

第二方面，本发明提供一种基于概率统计方法的管制员疲劳检测系统，包括：

脑电波获取模块，用于获取管制员的脑电波，所述脑电波包括慢α波、α波、β波和θ波；

参数计算模块，用于根据所述脑电波，计算得到慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值；

疲劳检测值输出模块，用于预先获取基于概率统计方法的疲劳检测模型，将所述慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值输入所述疲劳检测模型，得到PERCLOS值仿真结果；

疲劳检测模块，用于根据所述PERCLOS值仿真结果，进行所述管制员的疲劳检测：

所述PERCLOS值仿真结果大于实验确定的阈值，判定所述管制员处于疲劳状态。

本发明的技术方案为先通过脑电波获取模块，获取管制员的脑电波，所述脑电波包括慢α波、α波、β波和θ波；然后通过参数计算模块，根据所述脑电波，计算得到慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值；接着通过疲劳检测值输出模块，预先获取基于概率统计方法的疲劳检测模型，将所述慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值输入所述疲劳检测模型，得到PERCLOS值仿真结果；最后通过疲劳检测模块，根据所述PERCLOS值仿真结果，进行所述管制员的疲劳检测：所述PERCLOS值仿真结果大于实验确定的阈值，判定所述管制员处于疲劳状态。

本发明基于概率统计方法的管制员疲劳检测系统，采用人体生理指标脑电波参数，将脑电波参数输入预先基于概率统计方法建立的疲劳检测模型，得到PERCLOS值仿真结果进行管制员的疲劳检测。通常对管制员的疲劳检测都是利用人的面部特征，如，眨眼闭合程度数据(直接反映人疲劳程度的参数)，然后计算得到PERCLOS值测量结果进行疲劳检测判定，但检测人的面部特征需采用精度高的检测设备，实现起来成本高；而本发明中是利用间接反映人的疲劳程度的参数脑电波进行疲劳检测，脑电波获取方法简单，易于实现，成本低，通过间接参数可直接为管制员提供有效的疲劳检测。

进一步地，所述疲劳检测值输出模块包括疲劳检测模型建立子模块，用于：

获得多个管制员的眼睑闭合程度数据，计算得到PERCLOS值测量结果；

根据所述慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值，结合所述PERCLOS值测量结果，计算联合分布函数；

根据所述联合分布函数，计算条件概率分布函数；

根据所述条件概率分布函数，结合疲劳状态下的阈值，计算得到疲劳条件概率。

基于概率统计方法建立疲劳检测模型，就是将从多个管制员的脑电波采集中计算得到的三个参数，即慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值与对应的多个管制员的眼睑闭合程度数据通过计算，得到PERCLOS值测量结果与三个参数间的关系，确立疲劳条件概率函数关系，该疲劳检测模型是通过大量数据实验得到的，可根据此模型对管制员提供有效的疲劳检测。

进一步地，所述参数计算模块包括：

小波去噪子模块，用于根据所述脑电波，进行小波变换去噪处理，得到去噪后的脑电波；

参数计算子模块，用于根据所述去噪后的脑电波，计算得到慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值。

获得脑电波后，要先对脑电波进行去噪处理，小波去噪效果好，是源于小波变换有如下的优点：

(1)、低熵性，小波系数的稀疏分布，使得图象变换后的熵降低；

(2)、多分辨率，由于采用了多分辨率的方法，所以可以非常好地刻画信号的非平稳特征，如边缘、尖峰、断点等；

(3)、去相关性，因为小波变换可以对信号进行去相关，且噪声在变换后有白化趋势，所以小波域比时域更利于去噪；

(4)、选基灵活性，由于小波变换可以灵活选择变换基，从而对不同应用场合，对不同的研究对象，可以选用不同的小波母函数，以获得最佳的效果。

因此选用小波变换对脑电波进行去噪处理，使获得的PERCLOS值仿真结果更准确，进而对管制员疲劳状态的判断更准确。

进一步地，所述疲劳检测模型建立子模块还用于计算得到PERCLOS值测量结果：

从所述眼睑闭合数据中获取所述管制员清醒状态下的上下眼睑最大距离；

将所述眼睑闭合数据除以所述上下眼睑最大距离，得到眼睑闭合程度；

根据所述眼睑闭合程度，计算单位时间内的闭眼时间；

将所述闭眼时间除以所述单位时间得到PERCLOS值测量结果。

PERCLOS值测量结果是卡内基梅隆研究所经过反复实验和论证，提出了度量疲劳/瞌睡的物理量，是Percent Eye Closure的缩写，指在一定的时间内眼睛闭合时所占的时间比例。根据PERCLOS值测量结果，即可判断出管制员的疲劳状态。

进一步地，所述疲劳检测值输出模块包括闭眼时间计算子模块，用于计算闭眼时间，具体为：

通过计算单位时间内眼睑闭合程度大于70％或80％的对应的时间段的总和得到所述单位时间内的闭眼时间。

在具体试验中有P70和P80两种测量方式。其中P80被认为最能反映人的疲劳程度，即单位时间内眼睑闭合程度大于80％时，检测效果最好。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。

图1示出了本发明第一实施例所提供的基于概率统计方法的管制员疲劳检测方法的流程图；

图2示出了本发明第一实施例所提供的基于概率统计方法的管制员疲劳检测方法的PERCLOS测量原理示意图；

图3示出了本发明第三实施例所提供的基于概率统计方法的管制员疲劳检测系统的示意图。

具体实施方式

下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。

实施例一

图1示出了本发明第一实施例所提供的基于概率统计方法的管制员疲劳检测方法的流程图；如图1所示，根据本发明第一实施例的基于概率统计方法的管制员疲劳检测方法，包括：

步骤S1，获取管制员的脑电波，脑电波包括慢α波、α波、β波和θ波；

步骤S2，根据脑电波，计算得到慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值；

步骤S3，获取基于概率统计方法的疲劳检测模型，将慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值输入疲劳检测模型，得到PERCLOS值仿真结果；

步骤S4，根据PERCLOS值仿真结果，进行管制员的疲劳检测：

PERCLOS值仿真结果大于实验确定的阈值，判定管制员处于疲劳状态。

本发明的技术方案为先获取管制员的脑电波，脑电波包括慢α波、α波、β波和θ波；然后根据脑电波，计算得到慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值；接着获取基于概率统计方法的疲劳检测模型，将慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值输入疲劳检测模型，得到PERCLOS值仿真结果；最后根据PERCLOS值仿真结果，进行管制员的疲劳检测：PERCLOS值仿真结果大于实验确定的阈值，判定管制员处于疲劳状态。

本发明基于概率统计方法的管制员疲劳检测方法，采用人体生理指标脑电波参数，将脑电波参数输入预先基于概率统计方法建立的疲劳检测模型，得到PERCLOS值仿真结果进行管制员的疲劳检测。通常对管制员的疲劳检测都是利用人的面部特征，如，眨眼闭合程度数据(直接反映人疲劳程度的参数)，然后计算得到PERCLOS值测量结果进行疲劳检测判定，但检测人的面部特征需采用精度高的检测设备，实现起来成本高；而本发明中是利用间接反映人的疲劳程度的参数脑电波进行疲劳检测，脑电波获取方法简单，易于实现，成本低，通过间接参数可直接为管制员提供有效的疲劳检测。

其中，管制员的脑电波可通过传感器测量得到，管制员的眼睑闭合程度数据通过高清智能算法摄像机对被测者脸部特征进行全程实时录像获得。

具体地，建立疲劳检测模型，包括：

获得多个管制员的眼睑闭合程度数据，计算得到PERCLOS值测量结果；

根据慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值，结合PERCLOS值测量结果，计算联合分布函数；

根据联合分布函数，计算条件概率分布函数；

根据条件概率分布函数，结合疲劳状态下的阈值，计算得到疲劳条件概率。

基于概率统计方法建立疲劳检测模型，就是将从多个管制员的脑电波采集中计算得到的三个参数，即慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值与对应的多个管制员的眼睑闭合程度数据通过计算，得到PERCLOS值测量结果与三个参数间的关系，确立疲劳条件概率函数关系，该疲劳检测模型是通过大量数据实验得到的，可根据此模型对管制员提供有效的疲劳检测。

具体建模过程如下：

1)、令慢α波功率百分比为X₁，α波和β波的功率比值为X₂、θ波和慢α波的功率比值为X₃，PERCLOS值测量结果为X₄，求联合分布函数为F(x₁，x₂，x₃，x₄)。

2)、求取条件概率分布函数F(x₄|x₁，x₂，x₃)，f(x₁，x₂，x₃，x₄)为(X₁，X₂，X₃，X₄)的联合概率密度函数，则(X₁，X₂，X₃，X₄)关于(X₁，X₂，X₃)的边缘概率密度为：

在X₁＝x₁,X₂＝x₂,X₃＝x₃的条件下X₄的条件概率密度为：

条件概率函数为：

3)、求取处于疲劳状态时的条件概率为：

根据上述过程，计算得到α值，然后当输入X₁、X₂和X₃时，即输入慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值三个参数值，就可计算得到X₄值，此时为PERCLOS值仿真结果，然后根据PERCLOS值仿真结果可判断管制员的疲劳状态。

具体地，步骤S2包括：

步骤S21，根据脑电波，进行小波变换去噪处理，得到去噪后的脑电波；

步骤S22，根据去噪后的脑电波，计算得到慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值。

利用小波变换进行去噪处理，主要三个步骤为：

(1)对含噪声信号进行小波变换；

(2)对变换得到的小波系数进行处理，以去除其中包含的噪声；

(3)对处理后的小波系数进行小波逆变换,得到去噪后的脑电波。

然后根据小波去噪以后得到的脑电波波形，计算以下三个参数：慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值。

选用小波变换对脑电波进行去噪处理，是因为小波变换有如下的优点：

(1)、低熵性，小波系数的稀疏分布，使得图象变换后的熵降低；

(2)、多分辨率，由于采用了多分辨率的方法，所以可以非常好地刻画信号的非平稳特征，如边缘、尖峰、断点等；

(3)、去相关性，因为小波变换可以对信号进行去相关，且噪声在变换后有白化趋势，所以小波域比时域更利于去噪；

(4)、选基灵活性，由于小波变换可以灵活选择变换基，从而对不同应用场合，对不同的研究对象，可以选用不同的小波母函数，以获得最佳的效果。

因此选用小波变换对脑电波进行去噪处理，使获得的PERCLOS值仿真结果更准确，进而对管制员疲劳状态的判断更准确。

具体地，计算得到PERCLOS值测量结果，包括：

从眼睑闭合数据中获取管制员清醒状态下的上下眼睑最大距离；

将眼睑闭合数据除以上下眼睑最大距离，得到眼睑闭合程度；

根据眼睑闭合程度，计算单位时间内的闭眼时间；

将闭眼时间除以单位时间得到PERCLOS值测量结果。

PERCLOS值测量结果是卡内基梅隆研究所经过反复实验和论证，提出了度量疲劳/瞌睡的物理量，是Percent Eye Closure的缩写，指在一定的时间内眼睛闭合时所占的时间比例。根据PERCLOS值测量结果，即可判断出管制员的疲劳状态。

具体地，计算PERCLOS值测量结果的过程为：

1、进行人眼定位；

2、完成定位后，利用动态模板匹配的方法跟踪眼睛；

3、计算PERCLOS值测量结果。

其中，第一步，进行人眼定位的主要过程如下：

眼睛区域与周围区域相比，具有灰度值较低且灰度变化率较大的特点。因此可基于眼睛图像的灰度信息进行定位。分为以下两个步骤：

1)、眼睛粗略定位

准确定位人脸后，根据面部器官分布，人眼在脸部的上半部，可以很简单的确定一个大概区域。观察人脸图片，发现眼部在水平方向经过皮肤、左眼眼白、左眼瞳孔、左眼眼白、皮肤、右眼眼白、右眼瞳孔、右眼眼白、皮肤、灰度变化较大。在灰度变化突变处进行微分，将产生高值，将其绝对值累加，则灰度变化越大的那一行，累积值越大。计算公式如下：

Δ_hf(x,y)＝f(x,y)-f(x-1,y) (5)

f(x，y)为得到的人脸区域的灰度图像，通过实验发现，在眼睛处导数变化值之和的绝对值最大，通过此方法可粗略判断人眼所在线的位置。

2)、人眼精确定位

通过观察发现眼睛周围Cb值较高，而Cr值较低，因此由式(7)计算得到特征图，以突出眼部特征。

其中，EyeMap是眼睛特征图，(C_b)²,(C_b/C_r)都归一化到[0，255]之间，是由Cr求反得到(255，Cr)。在得到EyeMap图后，设定阀值T，将EyeMap小于T的值设为0，这一步可视为一个简单的滤波以去掉非眼部特征的干扰。

得到EyeMap滤波图后，结合人眼粗定位结果，从左到右搜索，按比例定义相对于人脸区域一定大小的框，当框进EyeMap滤波图值的和最大时，即为人眼。

第二步，完成定位后，利用动态模板匹配的方法跟踪眼睛，具体过程为：

第一步中，f(x，y)为得到的人脸区域的灰度图像，利用此灰度图像作为眼睛模板，设眼睛模板左上角的任一位置为(x，y)，下一帧的搜索范围是位置(x，y)沿上、下、左、右4个方向各扩展10个像素。其公式为：

上式中，N是模板中像索的个数；M为模板；I为图像中待匹配的部分。

根据上式可得所有大于阈值p的最大值所对应的坐标为最匹配的位置，以此得到的眼睛图像作为下一帧图像的模板。用同样的方式继续进行追踪，在追踪的过程中，若得到的p均小于阈值或两眼的行距过大则重新回到眼睛的检测过程。

3、第三步，计算PERCLOS值测量结果。

第一种方法是基于人眼闭眼时间计算得到的，具体如图2所示，图2示出了本发明第一实施例所提供的基于概率统计方法的管制员疲劳检测方法的PERCLOS测量原理示意图；如图2所示，图中曲线为一次眼睛闭合与睁开过程中睁开程度随时间的变化曲线，可根据此曲线得到所需测量的眼睛某个程度的闭合或睁开持续的时间，从而计算出PERCLOS值测量结果。

图中t1为眼睛完全睁开到闭合20％的时间；t2为眼睛完全睁开到闭合80％的时间；t3为眼睛完全睁开到下一次睁开20％的时间；t4为眼睛完全睁开到下一次睁开80％的时间。通过测量出t1到t4的值就能计算出PERCLOS的值f。只要测量出的值，通过公式(9)即可计算出PERCLOS值测量结果：

式中，f为眼睛闭合时间所占某一特定时间的百分率，表示在一次闭眼—睁眼过程中，眼睛接近闭合的时间越长，疲劳的可能就越大。

具体地，通过计算单位时间内眼睑闭合程度大于70％或80％的对应的时间段的总和得到所述单位时间内的闭眼时间。

在具体试验中有P70，P80以下种测量方式。其中P70是指将眼睑闭合程度大于70％的眼睛状态判断为闭合状态，以初始时刻管制员清醒时的上下眼睑最大距离为标准，若以后得到的距离小于此距离的70％则判断为闭合。

P80是指将闭合程度大于80％的眼睛状态判断为闭合状态。以初始时刻管制员清醒时的上下眼睑最大距离为标准，若以后得到的距离小于此距离的80％则判断为闭合。

其中P80被认为最能反映人的疲劳程度，即单位时间内眼睑闭合程度大于80％时，检测效果最好。对于P80测量方式来说，我们认为当PERCLOS值测量结果f>0.5时，认为管制员处于疲劳状态。

实施例二

实施例一中，对于实施例一第三步中PERCLOS值测量结果的计算，还有如下的方式：

同样如第一步，先进行人眼定位；然后进行第二步，利用动态模板匹配的方法跟踪眼睛，接着，进行第三步，进行PERCLOS值测量结果的计算，具体过程如下：

疲劳识别基于PERCLOS的P80模型，即将闭合程度大于80％的眼睛状态判断为闭合状态。以初始时刻管制员清醒时的上下眼睑最大距离为标准，若以后得到的距离小于此距离的80％则判断为闭合。假设实验视频帧率10f·s-1分辨率为640×480，时长60s。则以每6s视频作为1个检测单元，间隔0.33s取1帧作眼睛状态检测。统计每个检测单元内18帧图像的状态，得到眼睛闭合帧数CloseFrame_Num和处理的总帧数SumFrame_Num，依据式(10)计算相应的PERCLOS值仿真结果。

如果所得PERCLOS值仿真结果大于实验确定的阈值50％，则判断此时管制员可能已处于疲劳状态，通过报警系统进行警告。

实施例三

图3示出了本发明第三实施例所提供的基于概率统计方法的管制员疲劳检测系统的示意图；如图3所示，本发明中的基于概率统计方法的管制员疲劳检测系统10，包括：

脑电波获取模块101，用于获取管制员的脑电波，脑电波包括慢α波、α波、β波和θ波；

参数计算模块102，用于根据脑电波，计算得到慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值；

疲劳检测值输出模块103，用于预先获取基于概率统计方法的疲劳检测模型，将慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值输入疲劳检测模型，得到PERCLOS值仿真结果；

疲劳检测模块104，用于根据PERCLOS值仿真结果，进行管制员的疲劳检测：

PERCLOS值仿真结果大于实验确定的阈值，判定管制员处于疲劳状态。

本发明的技术方案为先通过脑电波获取模块101，获取管制员的脑电波，脑电波包括慢α波、α波、β波和θ波；然后通过参数计算模块102，根据脑电波，计算得到慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值；接着通过疲劳检测值输出模块103，预先获取基于概率统计方法的疲劳检测模型，将慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值输入疲劳检测模型，得到PERCLOS值仿真结果；最后通过疲劳检测模块104，根据PERCLOS值仿真结果，进行管制员的疲劳检测：PERCLOS值仿真结果大于实验确定的阈值，判定管制员处于疲劳状态。

本发明基于概率统计方法的管制员疲劳检测系统10，采用人体生理指标脑电波参数，将脑电波参数输入预先基于概率统计方法建立的疲劳检测模型，得到PERCLOS值仿真结果进行管制员的疲劳检测。通常对管制员的疲劳检测都是利用人的面部特征，如，眨眼闭合程度数据(直接反映人疲劳程度的参数)，然后计算得到PERCLOS值测量结果进行疲劳检测判定，但检测人的面部特征需采用精度高的检测设备，实现起来成本高；而本发明中是利用间接反映人的疲劳程度的参数脑电波进行疲劳检测，脑电波获取方法简单，易于实现，成本低，通过间接参数可直接为管制员提供有效的疲劳检测。

具体地，疲劳检测值输出模块103包括疲劳检测模型建立子模块，用于：

获得多个管制员的眼睑闭合程度数据，计算得到PERCLOS值测量结果；

根据所述慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值，结合所述PERCLOS值测量结果，计算联合分布函数；

根据所述联合分布函数，计算条件概率分布函数；

根据所述条件概率分布函数，结合疲劳状态下的阈值，计算得到疲劳条件概率。

基于概率统计方法建立疲劳检测模型，就是将从多个管制员的脑电波采集中计算得到的三个参数，即慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值与对应的多个管制员的眼睑闭合程度数据通过计算，得到PERCLOS值测量结果与三个参数间的关系，确立疲劳条件概率函数关系，该疲劳检测模型是通过大量数据实验得到的，可根据此模型对管制员提供有效的疲劳检测。

具体地，参数计算模块102包括：

小波去噪子模块1021，用于根据脑电波，进行小波变换去噪处理，得到去噪后的脑电波；

参数计算子模块1022，用于根据去噪后的脑电波，计算得到慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值。

获得脑电波后，要先对脑电波进行去噪处理，小波去噪效果好，是源于小波变换有如下的优点：

(1)、低熵性，小波系数的稀疏分布，使得图象变换后的熵降低；

(2)、多分辨率，由于采用了多分辨率的方法，所以可以非常好地刻画信号的非平稳特征，如边缘、尖峰、断点等；

(3)、去相关性，因为小波变换可以对信号进行去相关，且噪声在变换后有白化趋势，所以小波域比时域更利于去噪；

(4)、选基灵活性，由于小波变换可以灵活选择变换基，从而对不同应用场合，对不同的研究对象，可以选用不同的小波母函数，以获得最佳的效果。

因此选用小波变换对脑电波进行去噪处理，使获得的PERCLOS值仿真结果更准确，进而对管制员疲劳状态的判断更准确。

具体地，疲劳检测模型建立子模块还用于计算得到PERCLOS值测量结果：

从眼睑闭合数据中获取所述管制员清醒状态下的上下眼睑最大距离；

将眼睑闭合数据除以上下眼睑最大距离，得到眼睑闭合程度；

根据眼睑闭合程度，计算单位时间内的闭眼时间；

将闭眼时间除以单位时间得到PERCLOS值测量结果。

PERCLOS值测量结果是卡内基梅隆研究所经过反复实验和论证，提出了度量疲劳/瞌睡的物理量，是Percent Eye Closure的缩写，指在一定的时间内眼睛闭合时所占的时间比例。根据PERCLOS值测量结果，即可判断出管制员的疲劳状态。

具体地，疲劳检测值输出模块包括闭眼时间计算子模块，用于计算闭眼时间，具体为：

通过计算单位时间内眼睑闭合程度大于70％或80％的对应的时间段的总和得到所述单位时间内的闭眼时间。

在具体试验中有P70，P80两种测量方式。其中P80被认为最能反映人的疲劳程度，即单位时间内眼睑闭合程度大于80％时，检测效果最好。

综上所述，本发明提供的一种基于概率统计方法的管制员疲劳检测方法及系统，运用间接反映人身体指标的参数(脑电波)，代替常用的利用人的面部特征对管制员的疲劳状态进行检测，主要是基于概率统计方法建立间接参数(计算脑电波得到的慢波功率百分比，波和波的功率比值、波和慢波的功率比值)与PERCLOS值仿真结果的关系，最终还是通过PERCLOS值仿真结果判定管制员的疲劳状态，由于人的面部特征要经过高精度的设备进行实时采集，而人的脑电波很容易测量，因此，利用脑电波对管制员进行疲劳检测，易于实现，成本低。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.基于概率统计方法的管制员疲劳检测方法，其特征在于，包括：

步骤S1，获取管制员的脑电波，所述脑电波包括慢α波、α波、β波和θ波；

步骤S2，根据所述脑电波，计算得到慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值；

步骤S3，获取预先基于概率统计方法的疲劳检测模型，将所述慢慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值输入所述疲劳检测模型，得到PERCLOS值仿真结果；

步骤S4，根据所述PERCLOS值仿真结果，进行所述管制员的疲劳检测：

所述PERCLOS值仿真结果大于实验确定的阈值，判定所述管制员处于疲劳状态。

2.根据权利要求1所述基于概率统计方法的管制员疲劳检测方法，其特征在于，

建立所述疲劳检测模型，包括：

获得多个管制员的眼睑闭合程度数据，计算得到PERCLOS值测量结果；

根据所述慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值，结合所述PERCLOS值测量结果，计算联合分布函数；

根据所述联合分布函数，计算条件概率分布函数；

根据所述条件概率分布函数，结合疲劳状态下的阈值，计算得到疲劳条件概率。

3.根据权利要求1所述基于概率统计方法的管制员疲劳检测方法，其特征在于，

所述步骤S2包括：

步骤S21，根据所述脑电波，进行小波变换去噪处理，得到去噪后的脑电波；

步骤S22，根据所述去噪后的脑电波，计算得到慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值。

4.根据权利要求2所述基于概率统计方法的管制员疲劳检测方法，其特征在于，

所述计算得到PERCLOS值测量结果，包括：

从所述眼睑闭合数据中获取所述管制员清醒状态下的上下眼睑最大距离；将所述眼睑闭合数据除以所述上下眼睑最大距离，得到眼睑闭合程度；

根据所述眼睑闭合程度，计算单位时间内的闭眼时间；

将所述闭眼时间除以所述单位时间得到PERCLOS值测量结果。

5.根据权利要求4所述基于概率统计方法的管制员疲劳检测方法，其特征在于，

通过计算单位时间内眼睑闭合程度大于70％或80％的对应的时间段的总和得到所述单位时间内的闭眼时间。

6.基于概率统计方法的管制员疲劳检测系统，其特征在于，包括：

脑电波获取模块，用于获取管制员的脑电波，所述脑电波包括慢α波、α波、β波和θ波；

参数计算模块，用于根据所述脑电波，计算得到慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值；

疲劳检测值输出模块，用于预先获取基于概率统计方法的疲劳检测模型，将所述慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值输入所述疲劳检测模型，得到PERCLOS值仿真结果；

疲劳检测模块，用于根据所述PERCLOS值仿真结果，进行所述管制员的疲劳检测：

所述PERCLOS值仿真结果大于实验确定的阈值，判定所述管制员处于疲劳状态。

7.根据权利要求6所述基于概率统计方法的管制员疲劳检测系统，其特征在于，

所述疲劳检测值输出模块包括疲劳检测模型建立子模块，用于：

获得多个管制员的眼睑闭合程度数据，计算得到PERCLOS值测量结果；

根据所述慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值，结合所述PERCLOS值测量结果，计算联合分布函数；

根据所述联合分布函数，计算条件概率分布函数；

根据所述条件概率分布函数，结合疲劳状态下的阈值，计算得到疲劳条件概率。

8.根据权利要求6所述基于概率统计方法的管制员疲劳检测系统，其特征在于，

所述参数计算模块包括：

小波去噪子模块，用于根据所述脑电波，进行小波变换去噪处理，得到去噪后的脑电波；

参数计算子模块，用于根据所述去噪后的脑电波，计算得到慢α波功率百分比，α波和β波的功率比值、θ波和慢α波的功率比值。

9.根据权利要求7所述基于概率统计方法的管制员疲劳检测系统，其特征在于，

所述疲劳检测模型建立子模块还用于计算得到PERCLOS值测量结果：

从所述眼睑闭合数据中获取所述管制员清醒状态下的上下眼睑最大距离；

将所述眼睑闭合数据除以所述上下眼睑最大距离，得到眼睑闭合程度；

根据所述眼睑闭合程度，计算单位时间内的闭眼时间；

将所述闭眼时间除以所述单位时间得到PERCLOS值测量结果。

10.根据权利要求9所述基于概率统计方法的管制员疲劳检测系统，其特征在于，

所述疲劳检测值输出模块包括闭眼时间计算子模块，用于计算闭眼时间，具体为：

通过计算单位时间内眼睑闭合程度大于70％或80％的对应的时间段的总和得到所述单位时间内的闭眼时间。