CN107595302B - 一种利用脑电信号监测用户精神状态的装置及方法 - Google Patents
一种利用脑电信号监测用户精神状态的装置及方法 Download PDFInfo
- Publication number
- CN107595302B CN107595302B CN201710797467.7A CN201710797467A CN107595302B CN 107595302 B CN107595302 B CN 107595302B CN 201710797467 A CN201710797467 A CN 201710797467A CN 107595302 B CN107595302 B CN 107595302B
- Authority
- CN
- China
- Prior art keywords
- mental state
- electroencephalogram
- user
- unit
- module
- 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
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种利用脑电信号监测用户精神状态的装置及方法,包括脑电采集模块、信号处理模块、存储模块以及显示模块;脑电采集模块、存储模块和显示模块均与信号处理模块相交互;本发明针对操控者在实际工作中难以保持稳定的精神状态的问题,利用操控者脑电信号进行操控者精神状态的实时监测,并通过操控者精神状态监测评估方法对其精神状态进行实时显示与存储,当操控者精神状态较差时会对操控者进行预警提示,为操控者精神状态的定量化监测和工作预警提供有效地判定依据和方法。
Description
技术领域
本发明属于精神状态识别技术领域,涉及一种利用脑电信号监测用户精神状态的装置及方法。
背景技术
精神状态是人的心理、情绪和大脑状态的综合表现,对个体的学习、记忆、决策有着重要的影响。精神是个体差异的来源,是许多个性特征和心理的关键成分。随着人工智能水平的发展和提高,虽然人工智能技术的可靠性已经达到了空前的高度,但操控者的监督与决策作用仍然处于不可替代位置,人工智能技术的作业需要操控者的监督和决策,且操控者的作用不断地趋于高级监督和决策。人机工效学和人因工程学研究表明,操控者的可靠性决定了操控者与人工智能技术组成的人机系统的整体可靠性。
已有研究表明,操控者在实际工作中难以长时间保持稳定的精神状态,尤其在性能较高的人机系统中,操控者在变负荷工作过程中难以长时间保持较为稳定且适宜工作的精神状态,而精神状态的变化将会造成行为的变化,进而对工作过程中的工作绩效以及安全性产生较大的负面影响。因此,对操控者的精神状态进行有效的监测、预警和适时干预,对提高整个人机系统的工作性能有着至关重要的作用。尤其在高要求状态,高心理负荷等众多因素的约束下,会导致一系列生理心理变化,例如注意障碍、疲劳和任务执行能力下降等等,因此及时对操控者的精神状态进行监测和预警就显得尤为重要。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种利用脑电信号监测用户精神状态的装置及方法,旨在实时对操控者的精神状态进行监测和预警,为操控者精神状态的定量化监测和工作预警提供有效地判定依据。
为达到上述目的,本发明采用以下技术方案予以实现:
一种利用脑电信号监测用户精神状态的装置,包括脑电采集模块、信号处理模块、存储模块以及显示模块;脑电采集模块、存储模块和显示模块均与信号处理模块相交互;
脑电采集模块包括与脑电极及其脑电帽相连的脑电采集单元和无线通信单元,用于采集位于大脑前额叶区、顶叶区和枕叶区的Fp1、Fp2、AF3、AF4、Fc1、Fc2、F3、F4、F7、F8、C3、C4、P3、P4、O1、O2通道的脑电信号;
信号处理模块用于对接收的各通道脑电信号进行频带能量计算获得各通道下各频段的能量值,再能量值传输至模式识别单元;信号处理模块包括预处理单元、特征提取单元、模式识别单元和状态计算单元;
存储模块用于对精神状态唤醒程度以及识别结果进行管理并按照用户设定的数据格式对用户的精神状态数据进行存储;
显示模块用于实时显示用户精神状态的识别结果以及精神状态唤醒程度。
一种利用脑电信号监测用户精神状态的方法,包括以下步骤:
步骤1)通过脑电采集模块的脑电采集单元实时采集用户在工作中的脑电信号,并将采集到的脑电信号通过无线通信单元发送至信号处理模块;
步骤2)信号处理模块首先对接收的各通道脑电信号进行频带能量计算获得各通道下各频段的能量值E(m,n),再能量值E(m,n)传输至其模式识别单元;
步骤3)信号处理模块的模式识别单元将特征提取单元得到的各频带能量作为特征输入,采用基于深度学习网络的精神状态识别方法对输入的特征脑电信息进行分类识别;
步骤4)信号处理模块的状态计算单元根据模式识别单元中深度学习网络的识别结果Result计算用户精神状态的唤醒程度Di;
步骤5)存储模块采用管理存储单元,管理存储单元对精神状态唤醒程度Di以及识别结果Result进行管理并按照用户设定的数据格式对用户的精神状态数据进行存储;
步骤6)显示模块采用显示器,用户精神状态的识别结果Result以及精神状态唤醒程度Di通过显示器进行可视化的实时显示。
本发明进一步的改进在于:
步骤1)中,脑电采集单元以1000Hz的采样频率实时采集用户在工作中的脑电信号。
步骤2)中,对接收的各通道脑电信号进行频带能量计算的具体方法如下:
2-1)由预处理单元对脑电信号数据进行滤波降噪、伪迹去除预处理;
2-2)由特征提取单元采用小波分解进行脑电信号的δ波、θ波、α波、β波以及γ波的特征频段分解,并对各频段脑电信号分别进行频带能量计算获得各通道下各频段的能量值E(m,n):
E(m,n)=∑xn 2(k)
其中,E(m,n)为用户第m通道下的第n频带的能量,x(k)为采集的脑电信号序列,k为信号序列的序列号。
步骤3)中,输入的特征脑电信息按照下式进行分类识别:
Result=[oi]
其中,Result为深度学习网络的输出即为脑电信号的精神状态模式识别结果,oi为各类精神状态的识别结果,其中i表示精神状态的类别数目。
步骤4)中,精神状态的唤醒程度Di的计算公式如下:
其中,Di为第i类精神状态下m个相关通道的n个不同频带能量的平均变化率即为该类精神状态的唤醒程度;ER (m,n)为用户静息或安静平和状态时m通道下的n频带的能量参考值;oi为各类精神状态的识别结果,其中i表示精神状态的类别数目;
上述公式计算用户在第i类精神状态的m个相关通道的n个不同频带能量的平均变化率,各频段能量的平均变化率越大则表示该精神状态的唤醒程度越大,反之,则越小。
与现有技术相比,本发明具有以下有益效果:
本发明针对操控者在实际工作中难以保持稳定的精神状态的问题,利用操控者脑电信号进行操控者精神状态的实时监测,并通过操控者精神状态监测评估方法对其精神状态进行实时显示与存储,当操控者精神状态较差时会对操控者进行预警提示,为操控者精神状态的定量化监测和工作预警提供有效地判定依据和方法。
附图说明
图1为本发明的硬件结构图;
图2为本发明的脑电采集通道分布;
图3为本发现的算法流程图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
参见图1,本发明利用脑电信号监测用户精神状态的装置,利用便携式脑电帽穿戴在用户的头部,拾取人的头皮脑电信号,并经信号特征提取和模式识别,来判断用户的精神状态的方法;该装置具体包括:脑电极及其脑电帽、脑电采集模块、信号处理与存储模块和显示模块。脑电采集模块包括脑电采集单元和无线通信单元;信号处理与存储包括预处理单元、特征提取单元、模式识别单元、状态计算单元和管理存储单元;显示模块包括显示器。
脑电采集模块采用集成无线通信单元的便携式脑电帽neuracle,脑电采集通道分布如图2所示,选定采集国际标准10/20系统中位于大脑前额叶区、顶叶区和枕叶区的Fp1、Fp2、AF3、AF4、Fc1、Fc2、F3、F4、F7、F8、C3、C4、P3、P4、O1、O2通道的脑电信号。
如图3所示,本发明还公开了一种利用脑电信号监测用户精神状态的方法,包括以下步骤:
步骤1)为用户佩戴按照需求配置脑电极位置的脑电采集模块,由脑电采集模块的脑电采集单元以1000Hz的采样频率实时采集用户在工作中的脑电信号,并将获取脑电信号由无线通信单元发送至信号处理模块;
步骤2)信号处理与存储模块对接收的各通道脑电信号进行分析。首先,由预处理单元对脑电信号数据进行滤波降噪、伪迹去除预处理;其次,由特征提取单元采用小波分解进行脑电信号的δ波(1-4Hz),θ波(4-8Hz),α波(8-14Hz),β波(14-30Hz),γ波(30-60Hz)特征频段分解,并对各频段脑电信号分别进行频带能量计算获得各通道下各频段的能量值E(m,n)。
E(m,n)=∑xn 2(k)
其中,E(m,n)为用户第m通道下的第n频带的能量。
将计算获得的各通道的各频段的能量值传输至模式识别单元。
步骤3)信号处理与存储模块的模式识别单元将特征提取单元得到的各频带能量作为特征输入,采用基于深度学习网络的精神状态识别方法对输入的特征脑电信息进行分类识别,深度学习网络的输出即为脑电信号的精神状态模式识别结果Result。
Result=[o1 o2 o3 …]
其中,oi(i=1,2,3…)为各类精神状态的识别结果。
步骤4)信号处理与存储模块的状态计算单元根据模式识别单元中深度学习网络的识别结果Result计算用户精神状态的唤醒程度Di,相关通道的相关频带能量变化率反应了精神状态的唤醒程度,精神状态的唤醒程度Di的计算公式如下:
其中,Di为第i类精神状态下m个相关通道的n个不同频带能量的平均变化率即为该类精神状态的唤醒程度,ER (m,n)为用户静息或安静平和状态时m通道下的n频带的能量参考值。
上述公式计算用户在第i类精神状态的m个相关通道的n个不同频带能量的平均变化率,各频段能量的平均变化率越大则表示该精神状态的唤醒程度越大,反之,越小。以四种典型精神状态为例说明典型精神状态的相关通道、相关特征,各典型精神状态的相关通道和相关频带能量对应关系表格如下:
步骤5)信号处理与存储模块的管理存储单元对精神状态唤醒程度Di以及精神状态的识别结果Result进行管理并按照用户设定的数据格式对用户的精神状态数据进行存储。
步骤6)显示模块的用户精神状态监测评估软件对精神状态的识别结果Result以及精神状态唤醒程度Di通过显示器进行可视化的实时显示,当用户精神状态较差时,软件会对用户进行预警提示。
本发明的工作过程如下:
首先,为用户佩戴按照需求配置脑电极的脑电帽,并使其电极接触阻抗在10kΩ以下;其次,连接所有监测设备,包括采集单元、处理单元和电脑等;再次,启动“用户精神状态监测评估系统”软件,点击“设置”,按照需求选择需要存储的数据格式以及软件工作参数,再点击“新建”设置保存数据文件名;最后,点击“开始”系统开始工作,采集用户的脑电信号进行分析处理,监测评估其精神状态的变化,监测评估软件对精神状态的数据进行存储与显示,并当用户的精神状态较差时,软件会进行提示和预警。当需要休息时,点击“暂停”,软件暂停工作,继续工作时点击“开始”;结束工作时,点击“退出”,系统结束工作并退出软件。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (1)
1.一种利用脑电信号监测用户精神状态的方法,所述方法基于一种利用脑电信号监测用户精神状态的装置,所述装置包括脑电采集模块、信号处理模块、存储模块以及显示模块;脑电采集模块、存储模块和显示模块均与信号处理模块相交互;
脑电采集模块包括与脑电极及其脑电帽相连的脑电采集单元和无线通信单元,用于采集位于大脑前额叶区、顶叶区和枕叶区的Fp1、Fp2、AF3、AF4、Fc1、Fc2、F3、F4、F7、F8、C3、C4、P3、P4、O1、O2通道的脑电信号;
信号处理模块用于对接收的各通道脑电信号进行频带能量计算获得各通道下各频段的能量值,再将能量值传输至模式识别单元;信号处理模块包括预处理单元、特征提取单元、模式识别单元和状态计算单元;
存储模块用于对精神状态唤醒程度以及识别结果进行管理并按照用户设定的数据格式对用户的精神状态数据进行存储;
显示模块用于实时显示用户精神状态的识别结果以及精神状态唤醒程度;
其特征在于,所述方法包括以下步骤:
步骤1)通过脑电采集模块的脑电采集单元实时采集用户在工作中的脑电信号,并将采集到的脑电信号通过无线通信单元发送至信号处理模块;脑电采集单元以1000Hz的采样频率实时采集用户在工作中的脑电信号;
步骤2)信号处理模块首先对接收的各通道脑电信号进行频带能量计算获得各通道下各频段的能量值E(m,n),再将能量值E(m,n)传输至其模式识别单元;对接收的各通道脑电信号进行频带能量计算的具体方法如下:
2-1)由预处理单元对脑电信号数据进行滤波降噪、伪迹去除预处理;
2-2)由特征提取单元采用小波分解进行脑电信号的δ波、θ波、α波、β波
以及γ波的特征频段分解,并对各频段脑电信号分别进行频带能量计算获得各通道下各频段的能量值E(m,n):
E(m,n)=∑xn 2(k)
其中,E(m,n)为用户第m通道下的第n频带的能量,x(k)为采集的脑电信号序列,k为信号序列的序列号;
步骤3)信号处理模块的模式识别单元将特征提取单元得到的各频带能量作为特征输入,采用基于深度学习网络的精神状态识别方法对输入的特征脑电信息进行分类识别;输入的特征脑电信息按照下式进行分类识别:
Result=[oi]
其中,Result为深度学习网络的输出即为脑电信号的精神状态模式识别结果,oi为各类精神状态的识别结果,其中i表示精神状态的类别数目;
步骤4)信号处理模块的状态计算单元根据模式识别单元中深度学习网络的识别结果Result计算用户精神状态的唤醒程度Di;精神状态的唤醒程度Di的计算公式如下:
其中,Di为第i类精神状态下m个相关通道的n个不同频带能量的平均变化率即为该类精神状态的唤醒程度;ER (m,n)为用户静息或安静平和状态时m通道下的n频带的能量参考值;oi为各类精神状态的识别结果,其中i表示精神状态的类别数目;
上述公式计算用户在第i类精神状态的m个相关通道的n个不同频带能量的平均变化率,各频段能量的平均变化率越大则表示该精神状态的唤醒程度越大,反之,则越小;
步骤5)存储模块采用管理存储单元,管理存储单元对精神状态唤醒程度Di以及识别结果Result进行管理并按照用户设定的数据格式对用户的精神状态数据进行存储;
步骤6)显示模块采用显示器,用户精神状态的识别结果Result以及精神状态唤醒程度Di通过显示器进行可视化的实时显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710797467.7A CN107595302B (zh) | 2017-09-06 | 2017-09-06 | 一种利用脑电信号监测用户精神状态的装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710797467.7A CN107595302B (zh) | 2017-09-06 | 2017-09-06 | 一种利用脑电信号监测用户精神状态的装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107595302A CN107595302A (zh) | 2018-01-19 |
CN107595302B true CN107595302B (zh) | 2021-01-19 |
Family
ID=61062329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710797467.7A Active CN107595302B (zh) | 2017-09-06 | 2017-09-06 | 一种利用脑电信号监测用户精神状态的装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107595302B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492643A (zh) * | 2018-04-11 | 2018-09-04 | 许昌学院 | 一种英语学习机 |
CN109350051B (zh) * | 2018-11-28 | 2023-12-29 | 华南理工大学 | 用于精神状态评估与调节的头部可穿戴设备及其工作方法 |
CN109620263B (zh) * | 2018-12-13 | 2021-11-12 | 湖南仪峰安安网络科技股份有限公司 | 一种企事业单位上岗人员体征安全分析方法 |
CN110327042A (zh) * | 2019-07-17 | 2019-10-15 | 唐延智 | 一种大脑状态监测装置及其控制方法 |
CN112101285B (zh) * | 2020-09-25 | 2023-03-31 | 西安交通大学 | 排爆机器人遥操作者典型精神状态的诱发范式设计及脑电辨识方法 |
CN118401174A (zh) * | 2021-12-24 | 2024-07-26 | 安念科技有限公司 | 一种健康监测系统和方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101596101B (zh) * | 2009-07-13 | 2011-03-23 | 北京工业大学 | 依据脑电信号判定疲劳状态的方法 |
CN103505203B (zh) * | 2013-09-30 | 2015-06-03 | 西安交通大学 | 基于脑电源定位方法的人体精神状态检测方法 |
CN106175799A (zh) * | 2015-04-30 | 2016-12-07 | 深圳市前海览岳科技有限公司 | 基于脑电波评估人体情绪和疲劳状态的方法及系统 |
CN106529421A (zh) * | 2016-10-21 | 2017-03-22 | 燕山大学 | 基于混合脑机接口技术的情绪及疲劳检测辅助驾驶系统 |
CN106725455A (zh) * | 2016-12-22 | 2017-05-31 | 蓝色传感(北京)科技有限公司 | 基于传感器反馈用于大脑能力培训的训练系统及方法 |
CN106691443B (zh) * | 2017-01-11 | 2020-06-26 | 中国科学技术大学 | 基于脑电的穿戴式司机防疲劳智能监测预警系统 |
CN107095670A (zh) * | 2017-05-27 | 2017-08-29 | 西南交通大学 | 驾驶员反应时间预测方法 |
-
2017
- 2017-09-06 CN CN201710797467.7A patent/CN107595302B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107595302A (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107595302B (zh) | 一种利用脑电信号监测用户精神状态的装置及方法 | |
Nakisa et al. | Evolutionary computation algorithms for feature selection of EEG-based emotion recognition using mobile sensors | |
Islam et al. | Wavelet analysis based classification of emotion from EEG signal | |
Pal et al. | EEG-based subject-and session-independent drowsiness detection: an unsupervised approach | |
AlZoubi et al. | Classification of EEG for affect recognition: an adaptive approach | |
US7269455B2 (en) | Method and system for predicting and preventing seizures | |
Hosseini et al. | Emotional stress recognition system for affective computing based on bio-signals | |
Fatimah et al. | Mental arithmetic task classification using fourier decomposition method | |
Saghafi et al. | Random eye state change detection in real-time using EEG signals | |
Vijayakumar et al. | A comparative study of machine learning techniques for emotion recognition from peripheral physiological signals | |
CN115640827B (zh) | 对电刺激数据处理的智能闭环反馈网络方法及系统 | |
Mahajan et al. | A real time set up for retrieval of emotional states from human neural responses | |
Ahmadi et al. | Brain-computer interface signal processing algorithms: A computational cost vs. accuracy analysis for wearable computers | |
CN112426162A (zh) | 一种基于脑电信号节律熵的疲劳检测方法 | |
CN111938673A (zh) | 一种基于eeg信号的焦虑状态检测及反馈系统 | |
Fatimah et al. | Automatic detection of mental arithmetic task and its difficulty level using EEG signals | |
Gjoreski et al. | An inter-domain study for arousal recognition from physiological signals | |
CN110367975A (zh) | 一种基于脑机接口的疲劳驾驶检测预警方法 | |
Pratiwi et al. | EEG-based happy and sad emotions classification using LSTM and bidirectional LSTM | |
Kumar et al. | Artificial intelligence based human attention detection through brain computer interface for health care monitoring | |
CN117918863A (zh) | 一种脑电信号实时伪迹处理与特征提取的方法和系统 | |
Murtazina et al. | Classification of brain activity patterns using machine learning based on EEG data | |
CN113180662A (zh) | 一种基于eeg信号的焦虑状态干预方法、系统 | |
Xu et al. | Lightweight eeg classification model based on eeg-sensor with few channels | |
Kumar et al. | Detecting driver mental fatigue based on Electroencephalogram (EEG) signals during simulated driving |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |