CN109770923A - 一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法 - Google Patents
一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法 Download PDFInfo
- Publication number
- CN109770923A CN109770923A CN201910035315.2A CN201910035315A CN109770923A CN 109770923 A CN109770923 A CN 109770923A CN 201910035315 A CN201910035315 A CN 201910035315A CN 109770923 A CN109770923 A CN 109770923A
- Authority
- CN
- China
- Prior art keywords
- node
- testing time
- function network
- brain function
- time sequence
- 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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及驾驶疲劳检测领域,具体为一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法,通过分别采集在清醒时间和测试时间内驾驶时的脑电信号,并对其进行去噪处理、分解和重构,然后分别对每两个通道计算在清醒时间内和测试时间序列内的相位锁定值PLV,并根据PLV形成通道在清醒时间内和测试时间序列内的功能连接矩阵,设置连接强度阈值并与功能连接矩阵中每个元素值进行比较,以分别获取清醒时间内和测试时间序列内通道间连接关系并形成受试者清醒时间内和测试时间序列内的脑功能网络,对比分析清醒时间内和测试时间序列内的脑功能网络拓扑结构在三个子频带的差异,以判断测试时间序列内是否处于驾驶疲劳状态,检测的可靠性和准确性较高。
Description
技术领域
本发明涉及驾驶疲劳检测领域,更具体地,涉及一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法。
背景技术
许多国家都重视驾驶疲劳相关的检测方法研究,最初的研究主要从医学方面入手,利用医疗设备研究人的精神状态。十九世纪初美国最早开展了机动车驾驶员服务时间管理条例的合理性的调查。之后关于驾驶疲劳的研究相继展开。经过多年的发展,驾驶疲劳检测方法的研究大致可分为三类:基于面部特征的检测方法、基于驾驶行为的检测方法、基于生理特征的检测方法。
基于面部特征的检测方法,通过检测驾驶员眨眼幅度、频率以及平均闭合时间等眼部活动、频繁点头、头部长期不动等头部特征以及其它的面部特征,判断驾驶员是否处于疲劳状态。这些检测方法大多基于机器视觉,有检测设备易于放置、检测时效性好等优点,是驾驶疲劳检测最常用的方法。
基于驾驶行为的检测方法,通过监控驾驶员操作方向盘转动角度、加速踏板、制动器等车辆控制特征,以及车辆行驶过程中的速度、加速度、控制稳定性、是否偏移驾驶路线等车辆行驶特征,间接判断驾驶员是否进入疲劳状态。优点在于无需接触人体以及使用方便,设备在车辆内部占用空间小。
基于生理特征的驾驶疲劳检测方法中,脑电信号可以直接反映人的身体及精神活动,被誉为检测驾驶疲劳的“金标准”。在针对脑电信号的方法中,大多使用功率谱或熵的方法。
功率谱密度方法是将脑电信号从时域转化为频域进行分析,针对每个频带可以分析其清醒到疲劳时的能量变化。当人的大脑进入疲劳状态时,脑电信号的δ、θ频带的能量会升高,而α、β频带的能量会降低,通过对相应频带能量的比,可以放大这种趋势从而判断驾驶员的精神状态。
熵可以用来测量系统的混乱程度。基于熵的方法,包括近似熵、样本熵、小波熵等。其中,小波变换具有时频局部化特性,小波熵是从小波分解后的信号序列计算的一种熵值,它可准确反映脑电波的复杂程度。用小波熵值分析驾驶员疲劳状态脑电波的复杂度,并对模拟驾驶前、模拟驾驶疲劳后和休息后的脑电信号进行分析,可以判断驾驶疲劳。
但是,上述驾驶疲劳检测方法存在如下不足:基于面部特征的疲劳检测方法易受环境影响,亮度、角度以及其他的一些不可控因素仍然在一定程度上限制着算法的性能,基于计算机视觉的面部特征提取方法非常容易接受人为的伪造信号,并且被其所欺骗;驾驶行为方法则对非标准型道路无能为力,准确率不够,易产生误报;在基于生理信息的检测方法中,脑电能够直接反映人的身体活动、精神状态等信息,大脑通过不同区域的相互连接和集群工作来实现信息交互,人的意识、行为等状态也并非由某个区域单独决定,而往往是由全脑的多个区域共同协作完成的,但基于功率谱、熵的驾驶疲劳检测方法没有涉及大脑区域性的信息,无法全面、系统研究驾驶疲劳产生的机理。
发明内容
本发明旨在克服上述现有技术的缺陷,提供一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法,检测的可靠性和准确性较高。
为达到上述目的,本发明采取的技术方案是:提供一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法,其特征在于,包括如下步骤:
S1.使用脑电信号采集设备采集受试者分别在清醒时间和测试时间内驾驶时的脑电信号;其中脑电信号采集设备中每个电极的位置作为一个脑功能网络节点,电极个数为节点个数N;
S2.对脑电信号进行去噪处理,以提高脑电信号的信噪比;
S3.对去噪处理后的脑电信号进行分解和重构,按频率范围重构三个子频带波形,其中θ波频率为4-8Hz,α波频率为8-13Hz,β波频率为13-30Hz;
S4.重构后的信号中每个脑功能网络节点作为一个通道;对每两个通道计算在清醒时间内的相位锁定值PLV,以获取清醒时间内每两个通道的耦合关系;将测试时间划分为多个测试时间序列,对每两个通道计算在测试时间序列内的相位锁定值PLV,以获取测试时间序列内每两个通道的耦合关系;相位锁定值PLV表示两个通道间的连接强度,分别利用清醒时间内和测试时间序列内相位锁定值PLV形成通道在清醒时间内和测试时间序列内的功能连接矩阵;
PLV的计算使用公式(1):
其中,是两个通道在清醒时间内和测试时间序列内的相位差,每个通道在清醒时间内和测试时间序列内的相位使用希尔伯特变换获取,i∈N为脑功能网络节点,PLV值在[0,1]之间,0为通道间无连接,1为通道间完全连接;
S5.设置连接强度阈值并与功能连接矩阵中每个元素值进行比较,以分别获取清醒时间内和测试时间序列内通道间连接关系;元素值大于或等于连接强度阈值的为两个通道间连接,否则为两个通道间无连接;
S6.根据通道间连接关系,形成受试者清醒时间内和测试时间序列内的脑功能网络;对比分析清醒时间内和测试时间序列内的脑功能网络拓扑结构在三个子频带的差异,以判断测试时间序列内是否处于驾驶疲劳状态。
上述方案中,通过分别采集在清醒时间和测试时间内驾驶时的脑电信号,并对其进行去噪处理、分解和重构,然后分别对每两个通道计算在清醒时间内和测试时间序列内的相位锁定值PLV,并根据PLV形成通道在清醒时间内和测试时间序列内的功能连接矩阵,设置连接强度阈值并与功能连接矩阵中每个元素值进行比较,以分别获取清醒时间内和测试时间序列内通道间连接关系并形成受试者清醒时间内和测试时间序列内的脑功能网络,对比分析清醒时间内和测试时间序列内的脑功能网络拓扑结构在三个子频带的差异,以判断测试时间序列内是否处于驾驶疲劳状态,检测的可靠性和准确性较高。
优选地,步骤s1中脑电采集设备为无线干电极脑电采集设备,包括24个电极,采集信号的频率为250Hz;功能连接矩阵为24*24;测试时间为90分钟。采用改进的国际10-20放置标准放置电极,电极名称为:AFp3h,AFpz,AFp4h,AFF3,AFFz,AFF4,FFC5h,FFC3h,FFCz,FFC4h,FFC6h,CCP5h,CCP1,CCPz,CCP2,CCP6h,PO3,POz,PO4,PO7,O1h,Oz,O2h,PO8,该无线干电极脑电采集设备被公布在文献(Klem G H,Lüders H O,Jasper H H,et al.The ten-twenty electrode system of the International Federation[J].ElectroencephalogrClin Neurophysiol,1999,52(3):3-6.)中;每次驾驶疲劳检测实验测试时间为90分钟的设置,以确保获取受试者从清醒状态进入疲劳状态整个过程的脑电信号。
优选地,步骤s1中受试者利用模拟驾驶系统进行驾驶,且模拟驾驶系统随机发出刹车命令,记录受试者在看到刹车命令和做出反应的时间间隔;设置时间间隔阈值,若反应的时间间隔大于或等于时间间隔阈值,则将从这个时间间隔往前的测试时间内的脑电信号作为清醒时间内的脑电信号,将从这个时间间隔往后的测试时间内的脑电信号作为待检测是否疲劳的信号。时间间隔阈值来源于训练实验,由于受试者的个体差异,时间间隔阈值也不统一,因此在测试实验前即步骤S1之前需要通过训练实验获得面向个体受试者的时间间隔阈值,其计算方法是训练实验过程中,受试者外在表现为疲劳状态(如打呵欠)或汽车行车路径偏离正常运行轨迹的时间段内反应的时间间隔的平均值;驾驶疲劳时,受试者在看到刹车命令和做出反应的时间间隔会变长,将测试时间利用时间间隔阈值区分开来,可以只对这个时间间隔往后的测试时间内的脑电信号作为待检测是否疲劳的信号进行处理,减少处理的数据。受试者利用模拟驾驶系统进行驾驶,也被称为汽车驾驶仿真,或虚拟驾驶,是指利用现代高科技手段如:三维图像即时生成技术、汽车动力学仿真物理系统、大视场显示技术(如多通道立体投影系统)、六自由度运动平台(或三自由度运动平台)、用户输入硬件系统、立体声音响、中控系统等,让体验者在一个虚拟的驾驶环境中,感受到接近真实效果的视觉、听觉和体感的汽车驾驶体验,适用于研究机构进行汽车工程、交通工程、人因工程研究的需要以及作为汽车研究领域的模拟实验平台。
优选地,步骤s2中,使用独立成分分析方法对脑电信号进行去噪处理,以去除眼电信号的干扰,提高脑电信号的信噪比。
优选地,步骤s3中利用小波包变换对脑电信号进行分解,然后重构为三个子频带的信号。
优选地,步骤s5中连接强度阈值为0.2。
优选地,步骤s6中利用复杂网络分析方法从功能整合与功能分化两方面分别对三个子频带在清醒时间内和测试时间序列内的脑功能网络拓扑结构的差异进行定量分析;功能整合方面包括特征路径长度和全局效率,功能分化包括局部效率和聚类系数;
聚类系数表示脑功能网络节点的聚集程度,使用公式(2)计算;
其中,Ci表示脑功能网络的平均聚类数,ki表示节点i的相邻节点数,相邻节点为与节点i连接的节点,Ei为对于节点i相邻节点中存在的闭环三角形数;与节点i相连接的另外两个节点,若三个节点间都存在边则为闭环三角形;
特征路径长度反应脑功能网络内部的信息传递能力,使用公式(3)计算:
其中,L为特征路径长度;Lij为节点i与节点j之间的最短路径长度,即从节点i到节点j所用最短的边的数量;N为节点的个数;
全局效率为最短路径长度Lij的倒数的平均值,用来衡量脑功能网络传递和处理信息的能力,使用公式(4)计算:
其中,N为节点的个数,Lij为节点i与节点j之间的最短路径长度;
局部效率用来衡量局部信息传递和处理能力,使用公式(5)计算:
其中,Eglobal(Gi)为节点i的全局效率即Eg。
与现有技术相比,本发明的有益效果为:通过分别采集在清醒时间和测试时间内驾驶时的脑电信号,并对其进行去噪处理、分解和重构,然后分别对每两个通道计算在清醒时间内和测试时间序列内的相位锁定值PLV,并根据PLV形成通道在清醒时间内和测试时间序列内的功能连接矩阵,设置连接强度阈值并与功能连接矩阵中每个元素值进行比较,以分别获取清醒时间内和测试时间序列内通道间连接关系并形成受试者清醒时间内和测试时间序列内的脑功能网络,对比分析清醒时间内和测试时间序列内的脑功能网络拓扑结构在三个子频带的差异,以判断测试时间序列内是否处于驾驶疲劳状态,检测的可靠性和准确性较高。
附图说明
图1为本实施例一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法中使用的改进国际10-20系统的电极位置图。
图2a为清醒时间内的功能连接矩阵示意图,图2b为测试时间内的功能连接矩阵示意图;其中行列线为通道,格网右边的渐变条框为相位锁定值PLV。
图3a为清醒时间内的脑功能网络图,图3b为测试时间内的脑功能网络图,图3c为图3a和图3b的差异对比图。
图4为本实施例中清醒时间内和测试时间序列内的脑功能网络拓扑结构在三个子频带的聚类系数的示意图。
图5为本实施例中清醒时间内和测试时间序列内的脑功能网络拓扑结构在三个子频带的全局效率的示意图。
具体实施方式
本发明附图仅用于示例性说明,不能理解为对本发明的限制。为了更好说明以下实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
实施例
本实施例提供一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法,其特征在于,包括如下步骤:
S1.使用脑电信号采集设备采集受试者分别在清醒时间和测试时间内驾驶时的脑电信号;其中脑电信号采集设备中每个电极的位置作为一个脑功能网络节点,电极个数为节点个数N;
S2.对脑电信号进行去噪处理,以提高脑电信号的信噪比;
S3.对去噪处理后的脑电信号进行分解和重构,按频率范围重构三个子频带波形,其中θ波频率为4-8Hz,α波频率为8-13Hz,β波频率为13-30Hz;
S4.重构后的信号中每个脑功能网络节点作为一个通道;对每两个通道计算在清醒时间内的相位锁定值PLV,以获取清醒时间内每两个通道的耦合关系;将测试时间划分为多个测试时间序列,对每两个通道计算在测试时间序列内的相位锁定值PLV,以获取测试时间序列内每两个通道的耦合关系;相位锁定值PLV表示两个通道间的连接强度,分别利用清醒时间内和测试时间序列内相位锁定值PLV形成通道在清醒时间内和测试时间序列内的功能连接矩阵,清醒时间内的功能连接矩阵示意图如图2a所示,测试时间序列内的功能连接矩阵示意图如图2b所示;PLV的计算使用公式(1):
其中,是两个通道在清醒时间内和测试时间序列内的相位差,每个通道在清醒时间内和测试时间序列内的相位使用希尔伯特变换获取,i∈N为脑功能网络节点,PLV值在[0,1]之间,0为通道间无连接,1为通道间完全连接;
S5.设置连接强度阈值并与功能连接矩阵中每个元素值进行比较,以分别获取清醒时间内和测试时间序列内通道间连接关系;元素值大于或等于连接强度阈值的为两个通道间连接,否则为两个通道间无连接;
S6.根据通道间连接关系,形成受试者清醒时间内和测试时间序列内的脑功能网络,清醒时间内的脑功能网络如图3a所示,测试时间序列内的脑功能网络如图3b所示,图3c为图3a和图3b的差异对比图;对比分析清醒时间内和测试时间序列内的脑功能网络拓扑结构在三个子频带的差异,以判断测试时间序列内是否处于驾驶疲劳状态。
通过分别采集在清醒时间和测试时间内驾驶时的脑电信号,并对其进行去噪处理、分解和重构,然后分别对每两个通道计算在清醒时间内和测试时间序列内的相位锁定值PLV,并根据PLV形成通道在清醒时间内和测试时间序列内的功能连接矩阵,设置连接强度阈值并与功能连接矩阵中每个元素值进行比较,以分别获取清醒时间内和测试时间序列内通道间连接关系并形成受试者清醒时间内和测试时间序列内的脑功能网络,对比分析清醒时间内和测试时间序列内的脑功能网络拓扑结构在三个子频带的差异,以判断测试时间序列内是否处于驾驶疲劳状态,检测的可靠性和准确性较高。
其中,如图1所示,步骤s1中脑电采集设备为无线干电极脑电采集设备,包括24个电极,采集信号的频率为250Hz;功能连接矩阵为24*24;测试时间为90分钟。采用改进的国际10-20放置标准放置电极,电极名称为:AFp3h,AFpz,AFp4h,AFF3,AFFz,AFF4,FFC5h,FFC3h,FFCz,FFC4h,FFC6h,CCP5h,CCP1,CCPz,CCP2,CCP6h,PO3,POz,PO4,PO7,O1h,Oz,O2h,PO8,该无线干电极脑电采集设备被公布在文献(Klem G H,Lüders H O,Jasper H H,etal.The ten-twenty electrode system of the International Federation[J].Electroencephalogr Clin Neurophysiol,1999,52(3):3-6.)中;每次驾驶疲劳检测实验测试时间为90分钟的设置,以确保获取受试者从清醒状态进入疲劳状态整个过程的脑电信号。
另外,步骤s1中受试者利用模拟驾驶系统进行驾驶,且模拟驾驶系统随机发出刹车命令,记录受试者在看到刹车命令和做出反应的时间间隔;设置时间间隔阈值,若反应的时间间隔大于或等于时间间隔阈值,则将从这个时间间隔往前的测试时间内的脑电信号作为清醒时间内的脑电信号,将从这个时间间隔往后的测试时间内的脑电信号作为待检测是否疲劳的信号。时间间隔阈值来源于训练实验,由于受试者的个体差异,时间间隔阈值也不统一,因此在测试实验前即步骤S1之前需要通过训练实验获得面向个体受试者的时间间隔阈值,其计算方法是训练实验过程中,受试者外在表现为疲劳状态(如打呵欠)或汽车行车路径偏离正常运行轨迹的时间段内反应的时间间隔的平均值;驾驶疲劳时,受试者在看到刹车命令和做出反应的时间间隔会变长,将测试时间利用时间间隔阈值区分开来,可以只对这个时间间隔往后的测试时间内的脑电信号作为待检测是否疲劳的信号进行处理,减少处理的数据。受试者利用模拟驾驶系统进行驾驶,也被称为汽车驾驶仿真,或虚拟驾驶,是指利用现代高科技手段如:三维图像即时生成技术、汽车动力学仿真物理系统、大视场显示技术(如多通道立体投影系统)、六自由度运动平台(或三自由度运动平台)、用户输入硬件系统、立体声音响、中控系统等,让体验者在一个虚拟的驾驶环境中,感受到接近真实效果的视觉、听觉和体感的汽车驾驶体验,适用于研究机构进行汽车工程、交通工程、人因工程研究的需要以及作为汽车研究领域的模拟实验平台。
其中,使用独立成分分析方法对脑电信号进行去噪处理,以去除眼电信号的干扰,提高脑电信号的信噪比。
另外,步骤s3中利用小波包变换对脑电信号进行分解,然后重构为三个子频带的信号。
其中,步骤s5中连接强度阈值为0.2。
另外,步骤s6中利用复杂网络分析方法从功能整合与功能分化两方面分别对三个子频带在清醒时间内和测试时间序列内的脑功能网络拓扑结构的差异进行定量分析;功能整合方面包括特征路径长度和全局效率,功能分化包括局部效率和聚类系数;
聚类系数表示脑功能网络节点的聚集程度,如图4所示,使用公式(2)计算;
其中,Ci表示脑功能网络的平均聚类数,ki表示节点i的相邻节点数,相邻节点为与节点i连接的节点,Ei为对于节点i相邻节点中存在的闭环三角形数;与节点i相连接的另外两个节点,若三个节点间都存在边则为闭环三角形;
特征路径长度反应脑功能网络内部的信息传递能力,使用公式(3)计算:
其中,L为特征路径长度;Lij为节点i与节点j之间的最短路径长度,即从节点i到节点j所用最短的边的数量;N为节点的个数;
全局效率为最短路径长度Lij的倒数的平均值,用来衡量脑功能网络传递和处理信息的能力,如图5所示,使用公式(4)计算:
其中,N为节点的个数,Lij为节点i与节点j之间的最短路径长度;
局部效率用来衡量局部信息传递和处理能力,使用公式(5)计算:
其中,Eglobal(Gi)为节点i的全局效率即Eg。
显然,本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例,而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法,其特征在于,包括如下步骤:
S1.使用脑电信号采集设备采集受试者分别在清醒时间和测试时间内驾驶时的脑电信号;其中脑电信号采集设备中每个电极的位置作为一个脑功能网络节点,电极个数为节点个数N;
S2.对脑电信号进行去噪处理,以提高脑电信号的信噪比;
S3.对去噪处理后的脑电信号进行分解和重构,按频率范围重构三个子频带波形,其中θ波频率为4-8Hz,α波频率为8-13Hz,β波频率为13-30Hz;
S4.重构后的信号中每个脑功能网络节点作为一个通道;对每两个通道计算在清醒时间内的相位锁定值PLV,以获取清醒时间内每两个通道的耦合关系;将测试时间划分为多个测试时间序列,对每两个通道计算在测试时间序列内的相位锁定值PLV,以获取测试时间序列内每两个通道的耦合关系;相位锁定值PLV表示两个通道间的连接强度,分别利用清醒时间内和测试时间序列内相位锁定值PLV形成通道在清醒时间内和测试时间序列内的功能连接矩阵;PLV的计算使用公式(1):
其中,是两个通道在清醒时间内和测试时间序列内的相位差,每个通道在清醒时间内和测试时间序列内的相位使用希尔伯特变换获取,i∈N为脑功能网络节点,PLV值在[0,1]之间,0为通道间无连接,1为通道间完全连接;
S5.设置连接强度阈值并与功能连接矩阵中每个元素值进行比较,以分别获取清醒时间内和测试时间序列内通道间连接关系;元素值大于或等于连接强度阈值的为两个通道间连接,否则为两个通道间无连接;
S6.根据通道间连接关系,形成受试者清醒时间内和测试时间序列内的脑功能网络;对比分析清醒时间内和测试时间序列内的脑功能网络拓扑结构在三个子频带的差异,以判断测试时间序列内是否处于驾驶疲劳状态。
2.根据权利要求1所述的一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法,其特征在于,步骤s1中脑电采集设备为无线干电极脑电采集设备,包括24个电极,采集信号的频率为250Hz;功能连接矩阵为24*24;测试时间为90分钟。
3.根据权利要求1所述的一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法,其特征在于,步骤s1中受试者利用模拟驾驶系统进行驾驶,且模拟驾驶系统随机发出刹车命令,记录受试者在看到刹车命令和做出反应的时间间隔;设置时间间隔阈值,若反应的时间间隔大于或等于时间间隔阈值,则将从这个时间间隔往前的测试时间内的脑电信号作为清醒时间内的脑电信号,将从这个时间间隔往后的测试时间内的脑电信号作为待检测是否疲劳的信号。
4.根据权利要求1所述的一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法,其特征在于,步骤s2中,使用独立成分分析方法对脑电信号进行去噪处理,以去除眼电信号的干扰,提高脑电信号的信噪比。
5.根据权利要求1所述的一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法,其特征在于,步骤s3中利用小波包变换对脑电信号进行分解,然后重构为三个子频带的信号。
6.根据权利要求1所述的一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法,其特征在于,步骤s5中连接强度阈值为0.2。
7.根据权利要求1所述的一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法,其特征在于,步骤s6中利用复杂网络分析方法从功能整合与功能分化两方面分别对三个子频带在清醒时间内和测试时间序列内的脑功能网络拓扑结构的差异进行定量分析;功能整合方面包括特征路径长度和全局效率,功能分化包括局部效率和聚类系数;
聚类系数表示脑功能网络节点的聚集程度,使用公式(2)计算;
其中,Ci表示脑功能网络的平均聚类数,ki表示节点i的相邻节点数,相邻节点为与节点i连接的节点,Ei为对于节点i相邻节点中存在的闭环三角形数;与节点i相连接的另外两个节点,若三个节点间都存在边则为闭环三角形;
特征路径长度反应脑功能网络内部的信息传递能力,使用公式(3)计算:
其中,L为特征路径长度;Lij为节点i与节点j之间的最短路径长度,即从节点i到节点j所用最短的边的数量;N为节点的个数;
全局效率为最短路径长度Lij的倒数的平均值,用来衡量脑功能网络传递和处理信息的能力,使用公式(4)计算:
其中,N为节点的个数,Lij为节点i与节点j之间的最短路径长度;局部效率用来衡量局部信息传递和处理能力,使用公式(5)计算:
其中,Eglobal(Gi)为节点i的全局效率即Eg。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910035315.2A CN109770923A (zh) | 2019-01-15 | 2019-01-15 | 一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法 |
PCT/CN2019/088445 WO2020147235A1 (zh) | 2019-01-15 | 2019-05-25 | 一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910035315.2A CN109770923A (zh) | 2019-01-15 | 2019-01-15 | 一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109770923A true CN109770923A (zh) | 2019-05-21 |
Family
ID=66500467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910035315.2A Pending CN109770923A (zh) | 2019-01-15 | 2019-01-15 | 一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109770923A (zh) |
WO (1) | WO2020147235A1 (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110584684A (zh) * | 2019-09-11 | 2019-12-20 | 五邑大学 | 一种驾驶疲劳相关的eeg功能连接动态特性的分析方法 |
CN110772267A (zh) * | 2019-11-07 | 2020-02-11 | 中国人民解放军63850部队 | 一种人体生理疲劳数据标记方法及疲劳识别模型 |
CN111227829A (zh) * | 2020-02-14 | 2020-06-05 | 广东司法警官职业学院 | 一种基于复杂网络特征指标的脑电图信号分析方法 |
WO2020147235A1 (zh) * | 2019-01-15 | 2020-07-23 | 五邑大学 | 一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法 |
CN112656373A (zh) * | 2020-12-17 | 2021-04-16 | 苏州大学 | 基于脑网络拓扑规律的体力疲劳检测方法及系统 |
WO2021143538A1 (zh) * | 2020-01-19 | 2021-07-22 | 五邑大学 | 可穿戴式工作负荷测量方法、系统、装置和存储介质 |
CN113509148A (zh) * | 2021-04-28 | 2021-10-19 | 东北大学 | 一种基于混合高阶脑网络的精神分裂症检测系统 |
CN113558637A (zh) * | 2021-07-05 | 2021-10-29 | 杭州电子科技大学 | 一种基于相位传递熵的音乐感知下脑网络构建方法 |
CN113974650A (zh) * | 2021-06-29 | 2022-01-28 | 华南师范大学 | 一种脑电网络功能分析方法、装置,电子设备及存储介质 |
WO2022027730A1 (zh) * | 2020-08-07 | 2022-02-10 | 大连理工大学 | 一种基于自组织临界性的精神疲劳临界点标定方法 |
US11331024B2 (en) | 2020-08-07 | 2022-05-17 | Dalian University Of Technology | Calibration method for critical point of mental fatigue based on self-organized criticality |
CN116098634A (zh) * | 2023-01-31 | 2023-05-12 | 首都医科大学宣武医院 | 一种基于刺激事件的脑功能检测评估方法、装置及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101810479A (zh) * | 2009-12-16 | 2010-08-25 | 天津大学 | 复合下肢想象动作脑电的相位特征提取方法 |
CN105286890A (zh) * | 2015-09-22 | 2016-02-03 | 江西科技学院 | 一种基于脑电信号的驾驶员瞌睡状态监测方法 |
CN105956546A (zh) * | 2016-04-28 | 2016-09-21 | 杭州电子科技大学 | 一种基于脑电信号的情绪识别方法 |
WO2017152059A1 (en) * | 2016-03-04 | 2017-09-08 | University Of Tennessee Research Foundation | Ambulatory seizure monitoring system and method |
CN108577835A (zh) * | 2018-05-17 | 2018-09-28 | 太原理工大学 | 一种基于微状态的脑功能网络构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109770923A (zh) * | 2019-01-15 | 2019-05-21 | 五邑大学 | 一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法 |
-
2019
- 2019-01-15 CN CN201910035315.2A patent/CN109770923A/zh active Pending
- 2019-05-25 WO PCT/CN2019/088445 patent/WO2020147235A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101810479A (zh) * | 2009-12-16 | 2010-08-25 | 天津大学 | 复合下肢想象动作脑电的相位特征提取方法 |
CN105286890A (zh) * | 2015-09-22 | 2016-02-03 | 江西科技学院 | 一种基于脑电信号的驾驶员瞌睡状态监测方法 |
WO2017152059A1 (en) * | 2016-03-04 | 2017-09-08 | University Of Tennessee Research Foundation | Ambulatory seizure monitoring system and method |
CN105956546A (zh) * | 2016-04-28 | 2016-09-21 | 杭州电子科技大学 | 一种基于脑电信号的情绪识别方法 |
CN108577835A (zh) * | 2018-05-17 | 2018-09-28 | 太原理工大学 | 一种基于微状态的脑功能网络构建方法 |
Non-Patent Citations (1)
Title |
---|
曹锐: "非线性与复杂网络理论在脑电数据分析中的应用研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020147235A1 (zh) * | 2019-01-15 | 2020-07-23 | 五邑大学 | 一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法 |
WO2021046949A1 (zh) * | 2019-09-11 | 2021-03-18 | 五邑大学 | 一种驾驶疲劳相关的eeg功能连接动态特性的分析方法 |
CN110584684A (zh) * | 2019-09-11 | 2019-12-20 | 五邑大学 | 一种驾驶疲劳相关的eeg功能连接动态特性的分析方法 |
CN110584684B (zh) * | 2019-09-11 | 2021-08-10 | 五邑大学 | 一种驾驶疲劳相关的eeg功能连接动态特性的分析方法 |
CN110772267B (zh) * | 2019-11-07 | 2022-04-19 | 中国人民解放军63850部队 | 一种人体生理疲劳数据标记方法及疲劳识别模型 |
CN110772267A (zh) * | 2019-11-07 | 2020-02-11 | 中国人民解放军63850部队 | 一种人体生理疲劳数据标记方法及疲劳识别模型 |
WO2021143538A1 (zh) * | 2020-01-19 | 2021-07-22 | 五邑大学 | 可穿戴式工作负荷测量方法、系统、装置和存储介质 |
CN111227829A (zh) * | 2020-02-14 | 2020-06-05 | 广东司法警官职业学院 | 一种基于复杂网络特征指标的脑电图信号分析方法 |
US11331024B2 (en) | 2020-08-07 | 2022-05-17 | Dalian University Of Technology | Calibration method for critical point of mental fatigue based on self-organized criticality |
WO2022027730A1 (zh) * | 2020-08-07 | 2022-02-10 | 大连理工大学 | 一种基于自组织临界性的精神疲劳临界点标定方法 |
CN112656373A (zh) * | 2020-12-17 | 2021-04-16 | 苏州大学 | 基于脑网络拓扑规律的体力疲劳检测方法及系统 |
CN112656373B (zh) * | 2020-12-17 | 2022-12-16 | 苏州大学 | 基于脑网络拓扑规律的体力疲劳检测方法及系统 |
CN113509148A (zh) * | 2021-04-28 | 2021-10-19 | 东北大学 | 一种基于混合高阶脑网络的精神分裂症检测系统 |
CN113509148B (zh) * | 2021-04-28 | 2022-04-22 | 东北大学 | 一种基于混合高阶脑网络的精神分裂症检测系统 |
CN113974650A (zh) * | 2021-06-29 | 2022-01-28 | 华南师范大学 | 一种脑电网络功能分析方法、装置,电子设备及存储介质 |
CN113558637A (zh) * | 2021-07-05 | 2021-10-29 | 杭州电子科技大学 | 一种基于相位传递熵的音乐感知下脑网络构建方法 |
CN113558637B (zh) * | 2021-07-05 | 2024-01-05 | 杭州电子科技大学 | 一种基于相位传递熵的音乐感知下脑网络构建方法 |
CN116098634A (zh) * | 2023-01-31 | 2023-05-12 | 首都医科大学宣武医院 | 一种基于刺激事件的脑功能检测评估方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2020147235A1 (zh) | 2020-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109770923A (zh) | 一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法 | |
Yang et al. | A complex network-based broad learning system for detecting driver fatigue from EEG signals | |
CN108577835B (zh) | 一种基于微状态的脑功能网络构建方法 | |
CN109770924B (zh) | 一种基于广义一致性构建脑功能网络与相关向量机的疲劳分类方法 | |
CN104586387B (zh) | 一种时、频、空域多参数脑电特征提取与融合方法 | |
CN102961126B (zh) | 基于脉象诊断模式的驾驶预警方法 | |
Bhagyalakshmi et al. | GB-SVNN: Genetic BAT assisted support vector neural network for arrhythmia classification using ECG signals | |
CN112641450B (zh) | 面向动态视频目标检测的时变脑网络重构方法 | |
CN110151203A (zh) | 基于多级雪崩式卷积递归网络eeg分析的疲劳驾驶识别方法 | |
Wang et al. | EEG driving fatigue detection with PDC-based brain functional network | |
CN107967942B (zh) | 一种基于近红外脑成像图谱特征的儿童孤独症谱系障碍分析系统 | |
CN103735262A (zh) | 一种双树复小波与共空间模式结合的脑电特征提取方法 | |
CN112190261A (zh) | 一种基于静息态脑网络的孤独症脑电信号的分类装置 | |
CN113017627B (zh) | 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法 | |
CN108537198A (zh) | 一种基于人工智能的驾驶习惯的分析方法 | |
CN106913333B (zh) | 一种持续性注意水平的敏感性特征指标的选取方法 | |
CN109875583A (zh) | 一种基于ar技术的疲劳驾驶检测系统及方法 | |
Zhang et al. | Spatiotemporal dynamical analysis of brain activity during mental fatigue process | |
CN108958489A (zh) | 一种基于脑电和眼动仪的图像感兴趣区域快速检出方法 | |
CN111931578B (zh) | 一种基于最小生成树和区域双层网络的脑电识别方法 | |
CN116077062B (zh) | 心理状态感知方法及系统、可读存储介质 | |
Sathawane et al. | Prediction and analysis of ECG signal behaviour using soft computing | |
CN110403602B (zh) | 用于脑电信号情感分析的改进公共空间模式特征提取方法 | |
CN105395185A (zh) | 基于多通道柔性融合的生理信号检测系统 | |
CN112016504B (zh) | 基于集成学习的疲劳驾驶脑电信号回归分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |