CN108523907A - 基于深度收缩稀疏自编码网络的疲劳状态识别方法及系统 - Google Patents

Abstract

本发明提供了一种基于深度收缩稀疏自编码网络的疲劳状态识别方法及系统，包括：采集被测人员脑电信号；使用滤波器分解脑电信号得到四个不同频率段的脑电信号主成分，再进行重组得到新的脑电信号；搭建深度收缩稀疏自编码网络，设定网络层节点数，对新的脑电信号进行特征提取，得到抽象特征；利用得到的脑电信号的抽象特征进行被测人员疲劳状态的识别，得到被测人员的疲劳状态。本发明能够及时并准确的地对被测人员疲劳状态进行识别，例如在飞行员进入疲劳状态前进行提醒，有利于提高飞行的安全性，帮助飞行机构更好的安排飞行员负荷任务。

Description

基于深度收缩稀疏自编码网络的疲劳状态识别方法及系统

技术领域

本发明涉及脑电信号处理领域，具体地，涉及基于深度收缩稀疏自编码网络的疲劳状态识别方法及系统。

背景技术

随着世界各国对对航空安全的不断重视以及在飞行器设计制造技术上不断进步，飞机的可靠性和安全性有了很大的提高，由飞机机械故障导致事故的比例从80％降到了20％，但人因因素造成事故的比例则逐渐增多。通过调查发现，美国国家安全局近四十年来最关心的人因因素为飞行员疲劳，据其统计发现，由于飞行员疲劳造成的航空事故多搭300多起。飞行员主要表现为劳累、困倦、睡眠不足等状态。因此，减少因飞行员疲劳造成的飞行事故，对提高航空安全有重要意义。

飞行员疲劳，即飞行员由于长时间高应激状态的飞行驾驶，使其心理生理产生疲劳，有机体的生理心理过程不能使其机能继续维持在安全飞行这一特定的水平上，多表现为身体工作能力下降，思维和操纵警觉水平下降。目前已有的技术中，可通过主观评价和客观测量的方法进行飞行员疲劳监测。主观评价通过主观调查表、飞行员自我记录表、皮尔逊疲劳量表或斯坦福睡眠尺度表等评定飞行员的疲劳状态。客观测量则是通过测量眼睑闭合、头部运动、手部运动、心率、脉搏等生理特征变化来判断飞行员的疲劳状态。相较于主观评价，客观测量更能量化地反映飞行员的疲劳程度，逐渐成为疲劳检测的主流发展方向。

目前的研究证明了脑电信号可以作为人类疲劳检测的金标准，传统的脑电信号研究主要集中于人工提取脑电信号的特征，但该种方法容易受到专家自身研究水平的限制。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于深度收缩稀疏自编码网络的疲劳状态识别方法及系统。

根据本发明提供的一种基于深度收缩稀疏自编码网络的疲劳状态识别方法，其特征在于，包括：

步骤1：采集被测人员脑电信号；

步骤2：使用滤波器分解脑电信号得到四个不同频率段的脑电信号主成分，再进行重组得到新的脑电信号；

步骤3：搭建深度收缩稀疏自编码网络，设定网络层节点数，对新的脑电信号进行特征提取，得到抽象特征；

步骤4：利用得到的脑电信号的抽象特征进行被测人员疲劳状态的识别，得到被测人员的疲劳状态。

较佳的，所述步骤1具体包括：

步骤101：在被测人员不同疲劳状态下，分别采集64通道的脑电信号，疲劳分为正常、微疲劳和疲劳三种状态；

步骤102：从采集到的脑电信号中挑选出与与疲劳相关的工作区域。

较佳的，所述步骤2具体包括：

步骤201：采用滤波器分解脑电信号得到alpha波、delta波、theta波和beta波四个频率段的脑电信号主成分；

步骤202：对四个频率段的脑电信号主成分进行重组，得到新的脑电信号。

较佳的，所述步骤3具体包括：

步骤301：搭建五层深度收缩稀疏自编码网络，每层节点数分别为 19200-3000-800-200-39；

步骤302：将新的脑电信号作为深度收缩稀疏自编码网络的输入，设置隐藏层数N，计数器i初始为0，随机初始化差参数；隐藏层权重W和偏移系数b；惩罚项系数λ；稀疏比例系数ρ；

步骤303：原始数据通过非线性激活函数s(·)，映射到隐藏层，n₁为输入层的神经元数，得到隐藏层对输入层的编码结果n₂为隐藏层的神经元个数，Rⁿ代表n维的实数空间；再利用同样的方法将h映射到重构层得y＝s(W′h+b')，W′、b'分别为隐藏层到重构层的权重、偏移系数，计数器i自增1；

步骤304：调整W和b、W′和b'使x和y之间差值减小，并在代价函数中加入隐藏层的雅克比矩阵限制条件，抑制干扰，得到损失函数，同时增加L1的正则化限制，约束每一层中的节点得到收缩稀疏自编码网络的损失函数，并通过迭代算法优化W和b、 W′和b'，直至算法收敛；

步骤305：判断i是否等于N；若否，则将h赋值给x，回到步骤2；若是，得到各层W 和b、W′和b'；

步骤306：将步骤305中所得的各层W和b、W′和b'作为深度收缩稀疏自编码网络Softmax模型的初始值，利用带标签的数据及反向传播算法微调各层参数。

较佳的，所述步骤4包括：

步骤401：将抽象特征输入到Softmax分类器，记类标签取r个不同的值，对于给定的输入，用假设函数针对每一个类估算出概率值，输出一个和为1的r维列向量，每行表示当前类的概率；

步骤402：通过梯度下降法得到Softmax分类器的正常、微疲劳和疲劳三种疲劳状态对应的模型参数；

步骤403：根据得到的模型参数，计算采集到的被测人员脑电信号分别属于三种疲劳状态的概率，将概率最大的疲劳状态作为被测人员的疲劳状态。

根据本发明提供的一种基于深度收缩稀疏自编码网络的疲劳状态识别系统，包括：

采集模块：采集被测人员脑电信号；

分解重组模块：使用滤波器分解脑电信号得到四个不同频率段的脑电信号主成分，再进行重组得到新的脑电信号；

网络搭建模块：搭建深度收缩稀疏自编码网络，设定网络层节点数，对新的脑电信号进行特征提取，得到抽象特征；

状态识别模块：利用得到的脑电信号的抽象特征进行被测人员疲劳状态的识别，得到被测人员的疲劳状态。

较佳的，所述采集模块具体包括：

在被测人员不同疲劳状态下，分别采集64通道的脑电信号，疲劳分为正常、微疲劳和疲劳三种状态；

从采集到的脑电信号中挑选出与疲劳相关的工作区域。

较佳的，所述分解重组模块具体包括：

采用滤波器分解脑电信号得到alpha波、delta波、theta波和beta波四个频率段的脑电信号主成分；

对四个频率段的脑电信号主成分进行重组，得到新的脑电信号。

较佳的，所述网络搭建模块具体包括：

搭建五层深度收缩稀疏自编码网络，每层节点数分别为19200-3000-800-200-39；

将新的脑电信号作为深度收缩稀疏自编码网络的输入，设置隐藏层数N，计数器i初始为0，随机初始化差参数；隐藏层权重W和偏移系数b；惩罚项系数λ；稀疏比例系数ρ；

原始数据通过非线性激活函数s(·)，映射到隐藏层，n₁为输入层的神经元数，得到隐藏层对输入层的编码结果n₂为隐藏层的神经元个数，Rⁿ代表n维的实数空间；再利用同样的方法将h映射到重构层得 y＝s(W′h+b')，W′、b'分别为隐藏层到重构层的权重、偏移系数，计数器i自增1；

调整W和b、W′和b'使x和y之间差值减小，并在代价函数中加入隐藏层的雅克比矩阵限制条件，抑制干扰，得到损失函数，同时增加L1的正则化限制，约束每一层中的节点得到收缩稀疏自编码网络的损失函数，并通过迭代算法优化W和b、W′和b'，直至算法收敛；

判断i是否等于N；若否，则将h赋值给x，回到步骤2；若是，得到各层W和b、W′和b'；

将所得的各层W和b、W′和b'作为深度收缩稀疏自编码网络Softmax模型的初始值，利用带标签的数据及反向传播算法微调各层参数。

较佳的，所述状态识别模块包括：

将抽象特征输入到Softmax分类器，记类标签取r个不同的值，对于给定的输入，用假设函数针对每一个类估算出概率值，输出一个和为1的r维列向量，每行表示当前类的概率；

通过梯度下降法得到Softmax分类器的正常、微疲劳和疲劳三种疲劳状态对应的模型参数；

根据得到的模型参数，计算采集到的被测人员脑电信号分别属于三种疲劳状态的概率，将概率最大的疲劳状态作为被测人员的疲劳状态。

与现有技术相比，本发明具有如下的有益效果：

本发明能够及时并准确的地对被测人员疲劳状态进行识别，例如在飞行员进入疲劳状态前进行提醒，有利于提高飞行的安全性，帮助飞行机构更好的安排飞行员负荷任务。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明的流程图；

图2为本发明脑电信号分解示意图；

图3至图5分别为三种疲劳状态下的原始脑电信号与新的脑电信号的对比示意图；

图6为本发明的系统结构示意图；

图7至图10为不同维度下DCSAEN-Softmax模型的分类结果示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

如图1所示，本发明提供的一种基于深度收缩稀疏自编码网络的疲劳状态识别方法，其特征在于，包括：

步骤1：采集被测人员脑电信号；

步骤2：使用滤波器分解脑电信号得到四个不同频率段的脑电信号主成分，再进行重组得到新的脑电信号；

步骤3：搭建深度收缩稀疏自编码网络，设定网络层节点数，对新的脑电信号进行特征提取，得到抽象特征；

步骤4：利用得到的脑电信号的抽象特征进行被测人员疲劳状态的识别，得到被测人员的疲劳状态。

其中，步骤1具体包括：

步骤101：使用BCI-2000系统，包含国际10—20系统中的64个参考电极，在被测人员不同疲劳状态下，分别采集64通道的脑电信号，疲劳分为正常、微疲劳和疲劳三种状态；

步骤102：采集得到的64通道脑电信号数据并非都与疲劳状态识别有关，为了降低冗余数据信息的干扰，减少数据处理的复杂度提高实验效率，挑选出于疲劳有关的工作区域，选取的电极位置是Fp1的脑电数据，得到用于训练和测试的样本数据集。

步骤2具体包括：

步骤201：如图2所示，根据频率和幅值的特性，脑电信号主要可分为alpha波 (7～14Hz)、delta波(0.5～4Hz)、theta波(5～8Hz)和beta波(14～30Hz)，采用滤波器对采集得到的脑电信号进行滤波处理，得到上述四个频率段的脑电信号；

步骤202：如图3至图5所示，在三个疲劳状态下，对四个频率段的脑电信号主成分进行重组，得到较纯净的新的脑电信号。

步骤3具体包括：

步骤301：如图6所示，根据深度网络的特征，搭建含有3个隐含层的五层深度收缩稀疏自编码网络，根据不断地重复试验证，每层节点数分别为19200-3000-800-200-39 时，对不同状态的脑电信号识别具有良好的效果；

步骤302：将新的脑电信号作为深度收缩稀疏自编码网络的输入，设置隐藏层数N，计数器i初始为0，随机初始化差参数；隐藏层权重W和偏移系数b；惩罚项系数λ；稀疏比例系数ρ；

步骤303：原始数据通过非线性激活函数s(·)，映射到隐藏层，n₁为输入层的神经元数，得到隐藏层对输入层的编码结果n₂为隐藏层的神经元个数，Rⁿ代表n维的实数空间；再利用同样的方法将h映射到重构层得y＝s(W′h+b')，W′、b'分别为隐藏层到重构层的权重、偏移系数，计数器i自增1；

步骤304：调整W和b、W′和b'使x和y之间近似，并在代价函数中加入隐藏层的雅克比矩阵限制条件，抑制干扰，有数学表达式：得到损失函数：同时为了克服收缩编码网络学习的到的特征有冗余的缺陷，增加L1的正则化限制(L1主要是约束每一层中的大部分节点都要为0，只有少数不为0)，则有数学表达式将上述限制条件结合得到收缩稀疏自编码网络的损失函数：通过迭代算法：

和优化损失函数训练参数W和b、W′和b'进行更新，直至算法收敛；

步骤305：判断i是否等于N；若否，则将h赋值给x，回到步骤2；若是，得到各层W 和b、W′和b'；

步骤306：将步骤305中所得的各层W和b、W′和b'作为深度收缩稀疏自编码网络(DCSAEN)Softmax模型的初始值，利用带标签的数据及反向传播算法微调各层参数。

步骤4包括：

步骤401：将步骤3得到的脑电信号抽象特征输入到softmax分类器。记类标签y可以取r个不同的值，对于训练集{(x⁽¹⁾,y⁽¹⁾),…,(x^(m),y^(m))}，类标签为y^m∈{1,2,…,r}，r为分类数。对于给定的输入x⁽ⁿ⁾，用假设函数h_λ(x⁽ⁿ⁾)针对每一个类k估算出概率值 p(y⁽ⁿ⁾＝k|x⁽ⁿ⁾),k＝1,…,r。h_λ(x⁽ⁿ⁾)输出一个r维列向量(和为1)，每行表示当前类的概率。

假定假设函数h_λ(x⁽ⁿ⁾)为

其中，λ₁，λ₂,…,λ_r是模型参数，将x⁽ⁿ⁾分为第k类的概率记为

Softmax分类器的代价函数为：

步骤402：通过梯度下降法得到Softmax分类器的正常、微疲劳和疲劳三种疲劳状态对应的模型参数λ₁，λ₂，λ₃；

步骤403：根据步骤402计算得到的模型参数和公式计算采集到的飞行员脑电信号属于三类的概率p₁，p₂，p₃。比较p₁，p₂，p₃的大小，采集到的脑电信号属于p₁，p₂，p₃最大的对应的类别，得到脑电信号分类的结果。

如图7至图10所示，本发明在将脑电信号降至39,20,10,3维数下得到的分类结果示意图(图中标签1,2,3分别代表正常状态，为微疲劳状态，疲劳状态)。共有24个用于测试的数据，在降维至39维的情况下，平均识别准确率最高可以达到 91.67％。同时在将至其他维数的情况下，本发明所提出的模型识别结果也较好。

本发明的基于脑电信号的飞行员疲劳状态识别系统可以用于飞行过程中对飞行员的疲劳状态进行检测，对从飞行员相关脑区的脑电信号出发，使用滤波分解重组对脑电信号进行预处理得到纯净的脑电信号，利用深度学习的深层非线性及收缩稀疏自编码网络的抗干扰和鲁棒性较强的特点，更准确的根据脑电信号识别出飞行员的疲劳状态，提高飞行员的飞行质量以及更合理的规划飞行员的飞行符合安排。

在上述一种基于深度收缩稀疏自编码网络的疲劳状态识别方法的基础上，本发明还提供一种基于深度收缩稀疏自编码网络的疲劳状态识别系统，包括：

采集模块：采集被测人员脑电信号；

分解重组模块：使用滤波器分解脑电信号得到四个不同频率段的脑电信号主成分，再进行重组得到新的脑电信号；

网络搭建模块：搭建深度收缩稀疏自编码网络，设定网络层节点数，对新的脑电信号进行特征提取，得到抽象特征；

状态识别模块：利用得到的脑电信号的抽象特征进行被测人员疲劳状态的识别，得到被测人员的疲劳状态。

采集模块具体包括：

在被测人员不同疲劳状态下，分别采集64通道的脑电信号，疲劳分为正常、微疲劳和疲劳三种状态；从采集到的脑电信号中挑选出与疲劳相关的工作区域。

分解重组模块具体包括：

采用滤波器分解脑电信号得到alpha波、delta波、theta波和beta波四个频率段的脑电信号主成分；对四个频率段的脑电信号主成分进行重组，得到新的脑电信号。

网络搭建模块具体包括：

搭建五层深度收缩稀疏自编码网络，每层节点数分别为19200-3000-800-200-39；

将新的脑电信号作为深度收缩稀疏自编码网络的输入，设置隐藏层数N，计数器i初始为0，随机初始化差参数；隐藏层权重W和偏移系数b；惩罚项系数λ；稀疏比例系数ρ；

原始数据通过非线性激活函数s(·)，映射到隐藏层，n₁为输入层的神经元数，得到隐藏层对输入层的编码结果n₂为隐藏层的神经元个数，Rⁿ代表n维的实数空间；再利用同样的方法将h映射到重构层得 y＝s(W′h+b')，W′、b'分别为隐藏层到重构层的权重、偏移系数，计数器i自增1；

调整W和b、W′和b'使x和y之间差值减小，并在代价函数中加入隐藏层的雅克比矩阵限制条件，抑制干扰，得到损失函数，同时增加L1的正则化限制，约束每一层中的节点得到收缩稀疏自编码网络的损失函数，并通过迭代算法优化W和b、W′和b'，直至算法收敛；

判断i是否等于N；若否，则将h赋值给x，回到步骤2；若是，得到各层W和b、W′和b'；

将所得的各层W和b、W′和b'作为深度收缩稀疏自编码网络Softmax模型的初始值，利用带标签的数据及反向传播算法微调各层参数。

状态识别模块包括：

将抽象特征输入到Softmax分类器，记类标签取r个不同的值，对于给定的输入，用假设函数针对每一个类估算出概率值，输出一个和为1的r维列向量，每行表示当前类的概率；

通过梯度下降法得到Softmax分类器的正常、微疲劳和疲劳三种疲劳状态对应的模型参数；

根据得到的模型参数，计算采集到的被测人员脑电信号分别属于三种疲劳状态的概率，将概率最大的疲劳状态作为被测人员的疲劳状态。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于深度收缩稀疏自编码网络的疲劳状态识别方法，其特征在于，包括：

步骤1：采集被测人员脑电信号；

步骤2：使用滤波器分解脑电信号得到四个不同频率段的脑电信号主成分，再进行重组得到新的脑电信号；

步骤3：搭建深度收缩稀疏自编码网络，设定网络层节点数，对新的脑电信号进行特征提取，得到抽象特征；

步骤4：利用得到的脑电信号的抽象特征进行被测人员疲劳状态的识别，得到被测人员的疲劳状态。

2.根据权利要求1所述的基于深度收缩稀疏自编码网络的疲劳状态识别方法，其特征在于，所述步骤1具体包括：

步骤101：在被测人员不同疲劳状态下，分别采集64通道的脑电信号，疲劳分为正常、微疲劳和疲劳三种状态；

步骤102：从采集到的脑电信号中挑选出与与疲劳相关的工作区域。

3.根据权利要求2所述的基于深度收缩稀疏自编码网络的疲劳状态识别方法，其特征在于，所述步骤2具体包括：

步骤201：采用滤波器分解脑电信号得到alpha波、delta波、theta波和beta波四个频率段的脑电信号主成分；

步骤202：对四个频率段的脑电信号主成分进行重组，得到新的脑电信号。

4.根据权利要求3所述的基于深度收缩稀疏自编码网络的疲劳状态识别方法，其特征在于，所述步骤3具体包括：

步骤301：搭建五层深度收缩稀疏自编码网络，每层节点数分别为19200-3000-800-200-39；

步骤302：将新的脑电信号作为深度收缩稀疏自编码网络的输入，设置隐藏层数N，计数器i初始为0，随机初始化差参数；隐藏层权重W和偏移系数b；惩罚项系数λ；稀疏比例系数ρ；

步骤303：原始数据通过非线性激活函数s(·)，映射到隐藏层，n₁为输入层的神经元数，得到隐藏层对输入层的编码结果n₂为隐藏层的神经元个数，Rⁿ代表n维的实数空间；再利用同样的方法将h映射到重构层得y＝s(W′h+b')，W′、b'分别为隐藏层到重构层的权重、偏移系数，计数器i自增1；

步骤304：调整W和b、W′和b'使x和y之间差值减小，并在代价函数中加入隐藏层的雅克比矩阵限制条件，抑制干扰，得到损失函数，同时增加L1的正则化限制，约束每一层中的节点得到收缩稀疏自编码网络的损失函数，并通过迭代算法优化W和b、W′和b'，直至算法收敛；

步骤305：判断i是否等于N；若否，则将h赋值给x，回到步骤2；若是，得到各层W和b、W′和b'；

步骤306：将步骤305中所得的各层W和b、W′和b'作为深度收缩稀疏自编码网络Softmax模型的初始值，利用带标签的数据及反向传播算法微调各层参数。

5.根据权利要求4所述的基于深度收缩稀疏自编码网络的疲劳状态识别方法，其特征在于，所述步骤4包括：

步骤401：将抽象特征输入到Softmax分类器，记类标签取r个不同的值，对于给定的输入，用假设函数针对每一个类估算出概率值，输出一个和为1的r维列向量，每行表示当前类的概率；

步骤402：通过梯度下降法得到Softmax分类器的正常、微疲劳和疲劳三种疲劳状态对应的模型参数；

步骤403：根据得到的模型参数，计算采集到的被测人员脑电信号分别属于三种疲劳状态的概率，将概率最大的疲劳状态作为被测人员的疲劳状态。

6.一种基于深度收缩稀疏自编码网络的疲劳状态识别系统，其特征在于，包括：

采集模块：采集被测人员脑电信号；

分解重组模块：使用滤波器分解脑电信号得到四个不同频率段的脑电信号主成分，再进行重组得到新的脑电信号；

网络搭建模块：搭建深度收缩稀疏自编码网络，设定网络层节点数，对新的脑电信号进行特征提取，得到抽象特征；

状态识别模块：利用得到的脑电信号的抽象特征进行被测人员疲劳状态的识别，得到被测人员的疲劳状态。

7.根据权利要求6所述的基于深度收缩稀疏自编码网络的疲劳状态识别系统，其特征在于，所述采集模块具体包括：

在被测人员不同疲劳状态下，分别采集64通道的脑电信号，疲劳分为正常、微疲劳和疲劳三种状态；

从采集到的脑电信号中挑选出与疲劳相关的工作区域。

8.根据权利要求7所述的基于深度收缩稀疏自编码网络的疲劳状态识别系统，其特征在于，所述分解重组模块具体包括：

采用滤波器分解脑电信号得到alpha波、delta波、theta波和beta波四个频率段的脑电信号主成分；

对四个频率段的脑电信号主成分进行重组，得到新的脑电信号。

9.根据权利要求8所述的基于深度收缩稀疏自编码网络的疲劳状态识别系统，其特征在于，所述网络搭建模块具体包括：

搭建五层深度收缩稀疏自编码网络，每层节点数分别为19200-3000-800-200-39；

将新的脑电信号作为深度收缩稀疏自编码网络的输入，设置隐藏层数N，计数器i初始为0，随机初始化差参数；隐藏层权重W和偏移系数b；惩罚项系数λ；稀疏比例系数ρ；

原始数据通过非线性激活函数s(·)，映射到隐藏层，n₁为输入层的神经元数，得到隐藏层对输入层的编码结果n₂为隐藏层的神经元个数，Rⁿ代表n维的实数空间；再利用同样的方法将h映射到重构层得y＝s(W′h+b')，W′、b'分别为隐藏层到重构层的权重、偏移系数，计数器i自增1；

调整W和b、W′和b'使x和y之间差值减小，并在代价函数中加入隐藏层的雅克比矩阵限制条件，抑制干扰，得到损失函数，同时增加L1的正则化限制，约束每一层中的节点得到收缩稀疏自编码网络的损失函数，并通过迭代算法优化W和b、W′和b'，直至算法收敛；

判断i是否等于N；若否，则将h赋值给x，回到步骤2；若是，得到各层W和b、W′和b'；

将所得的各层W和b、W′和b'作为深度收缩稀疏自编码网络Softmax模型的初始值，利用带标签的数据及反向传播算法微调各层参数。

10.根据权利要求9所述的基于深度收缩稀疏自编码网络的疲劳状态识别系统，其特征在于，所述状态识别模块包括：

将抽象特征输入到Softmax分类器，记类标签取r个不同的值，对于给定的输入，用假设函数针对每一个类估算出概率值，输出一个和为1的r维列向量，每行表示当前类的概率；

通过梯度下降法得到Softmax分类器的正常、微疲劳和疲劳三种疲劳状态对应的模型参数；

根据得到的模型参数，计算采集到的被测人员脑电信号分别属于三种疲劳状态的概率，将概率最大的疲劳状态作为被测人员的疲劳状态。