CN109875552A - 一种疲劳检测方法、装置及其存储介质 - Google Patents
一种疲劳检测方法、装置及其存储介质 Download PDFInfo
- Publication number
- CN109875552A CN109875552A CN201910102663.7A CN201910102663A CN109875552A CN 109875552 A CN109875552 A CN 109875552A CN 201910102663 A CN201910102663 A CN 201910102663A CN 109875552 A CN109875552 A CN 109875552A
- Authority
- CN
- China
- Prior art keywords
- entropy
- wave
- eeg signals
- electro
- ocular signal
- 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.)
- Granted
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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Ophthalmology & Optometry (AREA)
- Psychiatry (AREA)
- Psychology (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
本发明提供了一种疲劳检测方法、装置及其存储介质;所述疲劳检测方法通过对脑电信号和眼电信号进行特征提取和特征融合以得到特征值,并根据特征值进行分类以确认使用者的疲劳状态。所述疲劳检测装置及其存储介质采用了上述方法实现疲劳检测。本发明结合脑电信号和眼电信号两者,从多维的角度进行分析检测,并引入多种熵从非线性的角度分析脑电信号和眼电信号来表达疲劳状态,从而提高疲劳检测的抗噪性和准确率。
Description
技术领域
本发明涉及人体状态检测领域,特别是一种疲劳检测方法、装置及其存储介质。
背景技术
疲劳是人体常见的一种生理现象,表现为身体机能或反应能力减弱。长时间或长距离驾驶容易导致疲劳驾驶,而疲劳驾驶现在已经成为了马路杀手,每年全世界有百万人因此失去生命。因此疲劳检测常应用于车辆驾驶方面,而如何能够准确地检测出驾驶者的疲劳状态就非常重要。
生理特征可以反映出驾驶者不同状态下的疲劳状况。因此,可以通过检测生理特征的变化来判断驾驶员的疲劳状况,目前常用于实施疲劳检测的生理特征为脑电信号(EEG)、眼电信号(EOG)、心电信号和肌电信号。但人体信号具有多维和非线性的特点。目前,疲劳检测多为基于单一信号的线性检测,信息来源单一,不够全面;容易受到外界其他信号的干扰,抗噪性低;线性的分析方法难以反映人体信号非线性的特点;这些原因也导致了目前的疲劳检测准确率不高。
发明内容
为解决上述问题,本发明实施例的目的在于提供一种疲劳检测方法、装置及其存储介质,实现多维和非线性的疲劳检测,提高疲劳检测的抗噪性和准确性。
本发明解决其问题所采用的技术方案是:
本发明的第一方面,提供了一种疲劳检测方法,包括:
采集使用者的脑电信号和眼电信号;
预处理脑电信号和眼电信号;
对脑电信号和眼电信号进行特征提取和特征融合以得到特征值;
根据特征值进行分类,确认使用者的疲劳状态;
其中,对脑电信号和眼电信号进行特征提取和特征融合以得到特征值包括:
对脑电信号按频率范围进行重构;
提取眼电信号的第一样本熵;
提取重构后的脑电信号的频谱熵、第二样本熵和近似熵;
将重构后的脑电信号的频谱熵、第二样本熵和近似熵降维融合得到多个融合特征熵;
将眼电信号的第一样本熵以及脑电信号的多个融合特征熵构成特征值。
进一步地,所述对脑电信号按频率范围进行重构具体为:利用离散小波变换方法对脑电信号按频率范围重构得到δ波、θ波、α波和β波四个子频带波形;其中,δ波的频率范围为0.01-3.91Hz,θ波的频率范围为3.91-7.81Hz,α波的频率范围为7.81-13.67Hz,β波的频率范围为13.67-31.25Hz。
进一步地,所述提取眼电信号的第一样本熵具体为:
提取眼电信号的垂直方向样本熵ySamEn;
提取眼电信号的水平方向样本熵xSamEn;
所述提取重构后的脑电信号的频谱熵、第二样本熵和近似熵具体为:
提取δ波脑电信号得到δ波频谱熵δSpeEn、δ波样本熵δSamEn和δ波近似熵δAppEn;
提取θ波脑电信号得到θ波频谱熵θSpeEn、θ波样本熵θSamEn和θ波近似熵θAppEn;
提取α波脑电信号得到α波频谱熵αSpeEn、α波样本熵αSamEn和α波近似熵αAppEn;
提取β波脑电信号得到β波频谱熵βSpeEn、β波样本熵βSamEn和β波近似熵βAppEn。
进一步地,所述将重构后的脑电信号的频谱熵、第二样本熵和近似熵降维融合得到多个融合特征熵具体为:
将δ波频谱熵δSpeEn、θ波频谱熵θSpeEn、α波频谱熵αSpeEn和β波频谱熵βSpeEn两两之间降维融合得到第一融合特征熵;
将δ波样本熵δSamEn、θ波样本熵θSamEn、α波样本熵αSamEn和β波样本熵βSamEn两两之间降维融合得到第二融合特征熵;
将δ波近似熵δAppEn、θ波近似熵θAppEn、α波近似熵αAppEn和β波近似熵βAppEn两两之间降维融合得到第三融合特征熵。
进一步地,所述根据特征值进行分类,确认使用者的疲劳状态具体为:
输入特征值到RVM分类器;
根据下式计算疲劳状态的概率:
p(ti=0|w)=1-p(ti=1|w);
其中,x=[x1,...xi,...x5]为输入RVM分类器的特征值;y(xi;w)为RVM分类器的输出;w为RVM分类器的权重;K(x,xi)为核函数;p(ti=1|w)为使用者处于疲劳状态的概率值;p(ti=0|w)为使用者处于非疲劳状态的概率值;
根据p(ti=1|w)和p(ti=0|w)的值确认使用者的疲劳状态。
进一步地,所述预处理脑电信号和眼电信号包括:
对脑电信号和眼电信号进行去趋势处理;
对脑电信号和眼电信号进行去均值处理;
对脑电信号和眼电信号进行带通滤波处理。
本发明的第二方面,提供了一种疲劳检测装置,包括:
采集模块,用于采集使用者的脑电信号和眼电信号;
预处理模块,用于预处理脑电信号和眼电信号;
特征值获取模块,用于对脑电信号和眼电信号进行特征提取和特征融合以得到特征值;
确认模块,用于根据特征值进行分类,确认使用者的疲劳状态;
其中,特征值获取模块包括:
重构单元,用于对脑电信号按频率范围进行重构;
第一提取单元,用于提取眼电信号的第一样本熵;
第二提取单元,用于提取重构后的脑电信号的频谱熵、第二样本熵和近似熵;
融合单元,用于将重构后的脑电信号的频谱熵、第二样本熵和近似熵降维融合得到多个融合特征熵;
合成单元,用于将眼电信号的第一样本熵以及脑电信号的多个融合特征熵构成特征值。
具体地,所述预处理单元包括:
去趋势单元,用于对脑电信号和眼电信号进行去趋势处理;
去均值单元,用于对脑电信号和眼电信号进行去均值处理;
带通滤波单元,用于对脑电信号和眼电信号进行带通滤波处理。
具体地,所述第一提取单元包括:
第一提取子单元,用于提取眼电信号的垂直方向样本熵ySamEn;
第二提取子单元,用于提取眼电信号的水平方向样本熵xSamEn;
具体地,所述第二提取子单元包括:
第三提取子单元,用于提取δ波脑电信号得到δ波频谱熵δSpeEn、δ波样本熵δSamEn和δ波近似熵δAppEn;
第四提取子单元,用于提取θ波脑电信号得到θ波频谱熵θSpeEn、θ波样本熵θSamEn和θ波近似熵θAppEn;
第五提取子单元,用于提取α波脑电信号得到α波频谱熵αSpeEn、α波样本熵αSamEn和α波近似熵αAppEn;
第六提取子单元,用于提取β波脑电信号得到β波频谱熵βSpeEn、β波样本熵βSamEn和β波近似熵βAppEn。
具体地,融合单元包括:
第一融合子单元,用于将δ波频谱熵δSpeEn、θ波频谱熵θSpeEn、α波频谱熵αSpeEn和β波频谱熵βSpeEn两两之间降维融合得到第一融合特征熵;
第二融合子单元,用于将δ波样本熵δSamEn、θ波样本熵θSamEn、α波样本熵αSamEn和β波样本熵βSamEn两两之间降维融合得到第二融合特征熵;
第三融合子单元,用于将δ波近似熵δAppEn、θ波近似熵θAppEn、α波近似熵αAppEn和β波近似熵βAppEn两两之间降维融合得到第三融合特征熵。
具体地,所述确认单元包括:
输入端口,用于输入特征值到RVM分类器;
概率计算单元,用于根据下式计算疲劳状态的概率:
p(ti=0|w)=1-p(ti=1|w);
其中,x=[x1,...xi,...x5]为输入RVM分类器的特征值;y(xi;w)为RVM分类器的输出;w为RVM分类器的权重;K(x,xi)为核函数;p(ti=1|w)为使用者处于疲劳状态的概率值;p(ti=0|w)为使用者处于非疲劳状态的概率值;
判断单元,用于根据p(ti=1|w)和p(ti=0|w)的值确认使用者的疲劳状态。
本发明的第三方面,提供了一种疲劳检测装置,包括处理器以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被处理器执行的指令,所述指令被所述处理器执行,以使所述处理器能够执行本发明第一方面所述的疲劳检测方法。
本发明的第四方面,提供了一种存储介质,所述存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行本发明第一方面所述的疲劳检测方法。
本发明的有益效果是:通过对脑电信号和眼电信号特征提取和特征融合以得到特征值,并根据特征值确认使用者的疲劳状态;结合脑电信号和眼电信号两者,从多维的角度进行分析检测,并引入多种熵从非线性的角度分析脑电信号和眼电信号来表达疲劳状态,从而提高疲劳检测的抗噪性和准确率。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例的一种疲劳检测方法的流程图;
图2是图1中步骤S300的具体流程图;
图3是本发明实施例的一种疲劳检测装置的结构图。
具体实施方式
参照图1和图2,本发明的第一方面,提供了一种疲劳检测方法,包括:
S100、采集使用者的脑电信号和眼电信号;
眼电信号是眼睛运动产生的一种电信号,可以通过在眼睛周围的皮肤设置电极来测量。眼电信号的大小根据眼球的位移变化来确定,包含丰富的信息,直观地反映疲劳的程度。
脑电信号是大脑在活动时,大量神经元同步发生的突触后电位经总和后形成的。它记录大脑活动时的电信号变化,是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反映,能具体反映出疲劳的程度。
在本步骤中,通过无线干电极脑电采集设备采集使用者的脑电信号,以及通过眼电信号采集设备采集使用者的眼电信号。然后,将收集的脑电信号和眼电信号存储到数据库内。
S200、预处理脑电信号和眼电信号;
具体地,步骤S200包括:
S201、对脑电信号和眼电信号进行去趋势处理;
S202、对脑电信号和眼电信号进行去均值处理;
S203、对脑电信号和眼电信号进行带通滤波处理。
进一步地,在该步骤中,从数据库中取出脑电信号和眼电信号的数据。首先对脑电信号和眼电信号设置时间窗;脑电信号的时间窗大小为4s,步长为1s;眼电信号的时间窗大小为10s,步长为1s。然后利用空间滤波的方式对脑电信号和眼电信号进行去趋势处理;优选地,空间滤波方法为普通平均参考滤波方法。接着对脑电信号和眼电信号进行去均值处理以去除高频噪声干扰和提高信噪比;最后用0.01-32Hz的频带信号进行带通滤波进一步提高信噪比。对脑电信号和眼电信号的预处理方便于之后的特征提取。
S300、对脑电信号和眼电信号进行特征提取和特征融合以得到特征值;
进一步地,步骤S300包括:
S310、对脑电信号按频率范围进行重构;
具体地,所述对脑电信号按频率范围进行重构为:利用离散小波变换方法对脑电信号按频率范围重构得到δ波、θ波、α波和β波四个子频带波形;其中,δ波的频率范围为0.01-3.91Hz,θ波的频率范围为3.91-7.81Hz,α波的频率范围为7.81-13.67Hz,β波的频率范围为13.67-31.25Hz。
S320、提取眼电信号的第一样本熵;
具体地,步骤S320包括:
S321、提取眼电信号的垂直方向样本熵ySamEn;
S322、提取眼电信号的水平方向样本熵xSamEn。
样本熵通过以下式子给出:
N个信号样本的序列为:A=[a(1),a(2)…a(N)];
则X的两个子序列为:
A(i)=[a(i),a(i+1),...,a(i+m-1)],1≤i≤N-m+1;
A(j)=[a(j),a(j+1),...,a(j+m-1)],1≤j≤N-m+1;
A(i)和A(j)间的距离为:d|A(i),A(j)|=max|a(i+k)-a(j+k)|;
进一步,样本熵的结果表达为:
r=0.2*SD;
其中,参数m具体取值为2;SD为序列的标准偏差;num{d|A(i),A(j)|≤r}是i和j满足条件d|A(i),A(j)|≤r的统计数据数。
S330、提取重构后的脑电信号的频谱熵、第二样本熵和近似熵;
具体地,步骤S330包括:
S331、提取δ波脑电信号得到δ波频谱熵δSpeEn、δ波样本熵δSamEn和δ波近似熵δAppEn;
S332、提取θ波脑电信号得到θ波频谱熵θSpeEn、θ波样本熵θSamEn和θ波近似熵θAppEn;
S333、提取α波脑电信号得到α波频谱熵αSpeEn、α波样本熵αSamEn和α波近似熵αAppEn;
S334、提取β波脑电信号得到β波频谱熵βSpeEn、β波样本熵βSamEn和β波近似熵βAppEn。
近似熵通过以下式子给出:
对于N个信号序列的样本,近似熵的结果表达为:
r=0.2*SD;
其中,参数m具体取值为2;SD为序列的标准偏差。
频谱熵通过以下式子给出:
其中,SpeEn为频谱熵的结果,f为频率分量对应的频率,N(f)为频率分量的总数;Q(f)为归一化后的功率谱密度分量;P(f)为功率谱密度分量;fL、fH、f1和f2具体取值分别为0.01、31.25、7.81和13.67;为频率分量的最小二乘误差;为频谱熵模型的系数。
近似熵、样本熵和频谱熵均是非线性动态参数,能反映出输入信号的规律性。通过近似熵、样本熵和频谱熵的计算从非线性的角度对脑电信号和眼电信号进行计算。
S340、将重构后的脑电信号的频谱熵、第二样本熵和近似熵降维融合得到多个融合特征熵;
具体地,步骤S340包括:
S341、将δ波频谱熵δSpeEn、θ波频谱熵θSpeEn、α波频谱熵αSpeEn和β波频谱熵βSpeEn两两之间降维融合得到第一融合特征熵;
S342、将δ波样本熵δSamEn、θ波样本熵θSamEn、α波样本熵αSamEn和β波样本熵βSamEn两两之间降维融合得到第二融合特征熵;
S343、将δ波近似熵δAppEn、θ波近似熵θAppEn、α波近似熵αAppEn和β波近似熵βAppEn两两之间降维融合得到第三融合特征熵。
具体地,在步骤S341中,将δ波频谱熵δSpeEn、θ波频谱熵θSpeEn、α波频谱熵αSpeEn和β波频谱熵βSpeEn其中的两个熵降维融合得到第一融合结果,再将另外的两个熵降维融合得到第二融合结果,最后将第一融合结果和第二融合结果降维融合最终得到第一融合特征熵。步骤S342和步骤S343采用同样的降维融合方式。
进一步,在降维融合得到融合特征熵中的融合特征熵的具体表达式为:F=Wc*WcT*c+Wd*WdT*d;
其中Wc和Wd是输入的熵c和d的投影向量,Wc和Wd由决定,E[]为相关矩阵。当ρ(c,d)取最大值时,Wc和Wd有最优值。这里采用典型相关分析方法来最大限度地提高c和d之间的相关性,以保持两者的独立性。
S350、将眼电信号的第一样本熵以及脑电信号的多个融合特征熵组成特征矩阵,构成特征值。
特征值是由眼电信号的第一样本熵以及脑电信号的多个融合特征熵组成的特征矩阵,同时融合特征熵是由多个频带对应的熵降维融合得到;通过步骤S350实现了从多维的角度分析检测使用者的疲劳状态,提高抗噪性和准确率。
S400、根据特征值进行分类,确认使用者的疲劳状态;
进一步地,所述根据特征值进行分类,确认使用者的疲劳状态具体为:
S410、输入特征值到RVM分类器。
S420、根据下式计算疲劳状态的概率:
p(ti=0|w)=1-p(ti=1|w);
其中,x=[x1,...xi,...x5]为输入RVM分类器的特征值;y(xi;w)为RVM分类器的输出;w为RVM分类器的权重;K(x,xi)=exp(-g||x-xi||2)为决定特征值从低维空间到高维空间的映射方式的核函数;p(ti=1|w)为使用者处于疲劳状态的概率值;p(ti=0|w)为使用者处于非疲劳状态的概率值。
在步骤S420中,各变量独立分布,则RVM分类器的似然函数为:根据Michael E.Tipping提出的基于拉普拉斯的逼近方法(Laplace approximation procedure)可求出p(ti=1|w)和p(ti=0|w)的值。
S430、根据p(ti=1|w)和p(ti=0|w)的值确认使用者的疲劳状态。
具体地,当p(ti=1|w)>p(ti=0|w)时,确认使用者处于疲劳状态;当p(ti=1|w)=p(ti=0|w)时,确认使用者处于过渡状态;当p(ti=1|w)<p(ti=0|w)时,确认使用者处于非疲劳状态。
本发明的第一方面提供的方法通过对脑电信号和眼电信号特征提取和特征融合以得到特征值,并根据特征值确认使用者的疲劳状态;结合脑电信号和眼电信号两者,从多维的角度进行分析检测,并引入多种熵从非线性的角度分析脑电信号和眼电信号来表达疲劳状态,从而提高疲劳检测的抗噪性和准确率。
将该方法利用于汽车驾驶方面,能准确地检测驾驶者的疲劳状态;当发现驾驶者处于疲劳状态时,向驾驶者发出警告,有利于减少交通事故率。
参照图3,本发明的第二方面,提供了一种疲劳检测装置,能执行本发明第一方面所述的疲劳检测方法,包括:
采集模块10,用于采集使用者的脑电信号和眼电信号;
预处理模块20,用于预处理脑电信号和眼电信号;
特征值获取模块30,用于对脑电信号和眼电信号进行特征提取和特征融合以得到特征值;
确认模块40,用于根据特征值进行分类,确认使用者的疲劳状态;
其中,特征值获取模块包括:
重构单元31,用于对脑电信号按频率范围进行重构;
第一提取单元32,用于提取眼电信号的第一样本熵;
第二提取单元33,用于提取重构后的脑电信号的频谱熵、第二样本熵和近似熵;
融合单元34,用于将重构后的脑电信号的频谱熵、第二样本熵和近似熵降维融合得到多个融合特征熵;
合成单元35,用于将眼电信号的第一样本熵以及脑电信号的多个融合特征熵构成特征值。
具体地,所述预处理单元20包括:
去趋势单元,用于对脑电信号和眼电信号进行去趋势处理;
去均值单元,用于对脑电信号和眼电信号进行去均值处理;
带通滤波单元,用于对脑电信号和眼电信号进行带通滤波处理。
具体地,所述第一提取单元32包括:
第一提取子单元,用于提取眼电信号的垂直方向样本熵ySamEn;
第二提取子单元,用于提取眼电信号的水平方向样本熵xSamEn;
具体地,所述第二提取单元33包括:
第三提取子单元,用于提取δ波脑电信号得到δ波频谱熵δSpeEn、δ波样本熵δSamEn和δ波近似熵δAppEn;
第四提取子单元,用于提取θ波脑电信号得到θ波频谱熵θSpeEn、θ波样本熵θSamEn和θ波近似熵θAppEn;
第五提取子单元,用于提取α波脑电信号得到α波频谱熵αSpeEn、α波样本熵αSamEn和α波近似熵αAppEn;
第六提取子单元,用于提取β波脑电信号得到β波频谱熵βSpeEn、β波样本熵βSamEn和β波近似熵βAppEn。
具体地,融合单元34包括:
第一融合子单元,用于将δ波频谱熵δSpeEn、θ波频谱熵θSpeEn、α波频谱熵αSpeEn和β波频谱熵βSpeEn两两之间降维融合得到第一融合特征熵;
第二融合子单元,用于将δ波样本熵δSamEn、θ波样本熵θSamEn、α波样本熵αSamEn和β波样本熵βSamEn两两之间降维融合得到第二融合特征熵;
第三融合子单元,用于将δ波近似熵δAppEn、θ波近似熵θAppEn、α波近似熵αAppEn和β波近似熵βAppEn两两之间降维融合得到第三融合特征熵。
具体地,所述确认单元40包括:
输入端口,用于输入特征值到RVM分类器;
概率计算单元,用于根据下式计算疲劳状态的概率:
p(ti=0|w)=1-p(ti=1|w);
其中,x=[x1,...xi,...x5]为输入RVM分类器的特征值;y(xi;w)为RVM分类器的输出;w为RVM分类器的权重;K(x,xi)为核函数;p(ti=1|w)为使用者处于疲劳状态的概率值;p(ti=0|w)为使用者处于非疲劳状态的概率值;
判断单元,用于根据p(ti=1|w)和p(ti=0|w)的值确认使用者的疲劳状态。
本发明的第三方面,提供了一种疲劳检测装置,包括处理器以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被处理器执行的指令,所述指令被所述处理器执行,以使所述处理器能够执行本发明第一方面所述的疲劳检测方法。
本发明的第四方面,提供了一种存储介质,所述存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行本发明第一方面所述的疲劳检测方法。
表1是本发明与5个对比方法的正确率对比表。该5种对比方法均为单一信号源的方法检测方法,对比方法1(Delta EEG)为根据δ波脑电信号判断的疲劳检测方法,对比方法2(Gamma EEG)为根据γ波脑电信号判断的疲劳检测方法,对比方法3(Alpha EEG)为根据α波脑电信号判断的疲劳检测方法,对比方法4(Beta EEG)为根据β波脑电信号判断的疲劳检测方法,对比方法5(EOG)为根据眼电信号判断的疲劳检测方法;如表1所述,本发明较其他检测方法在正确率上有了很大的提高。
方法 | 正确率 |
对比方法1(Delta EEG) | 90.2% |
对比方法2(Gamma EEG) | 95.1% |
对比方法3(Alpha EEG) | 92.7% |
对比方法4(Beta EEG) | 94.2% |
对比方法5(EOG) | 93.1% |
本发明 | 98.9% |
表1
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,都应属于本发明的保护范围。
Claims (9)
1.一种疲劳检测方法,其特征在于,包括:
采集使用者的脑电信号和眼电信号;
预处理脑电信号和眼电信号;
对脑电信号和眼电信号进行特征提取和特征融合以得到特征值;
根据特征值进行分类,确认使用者的疲劳状态;
其中,对脑电信号和眼电信号进行特征提取和特征融合以得到特征值包括:
对脑电信号按频率范围进行重构;
提取眼电信号的第一样本熵;
提取重构后的脑电信号的频谱熵、第二样本熵和近似熵;
将重构后的脑电信号的频谱熵、第二样本熵和近似熵降维融合得到多个融合特征熵;
将眼电信号的第一样本熵以及脑电信号的多个融合特征熵构成特征值。
2.根据权利要求1所述的一种疲劳检测方法,其特征在于,所述对脑电信号按频率范围进行重构具体为:利用离散小波变换方法对脑电信号按频率范围重构得到δ波、θ波、α波和β波四个子频带波形;其中,δ波的频率范围为0.01-3.91Hz,θ波的频率范围为3.91-7.81Hz,α波的频率范围为7.81-13.67Hz,β波的频率范围为13.67-31.25Hz。
3.根据权利要求2所述的一种疲劳检测方法,其特征在于,所述提取眼电信号的第一样本熵具体为:
提取眼电信号的垂直方向样本熵ySamEn;
提取眼电信号的水平方向样本熵xSamEn;
所述提取重构后的脑电信号的频谱熵、样本熵和近似熵具体为:
提取δ波脑电信号得到δ波频谱熵δSpeEn、δ波样本熵δSamEn和δ波近似熵δAppEn;
提取θ波脑电信号得到θ波频谱熵θSpeEn、θ波样本熵θSamEn和θ波近似熵θAppEn;
提取α波脑电信号得到α波频谱熵αSpeEn、α波样本熵αSamEn和α波近似熵αAppEn;
提取β波脑电信号得到β波频谱熵βSpeEn、β波样本熵βSamEn和β波近似熵βAppEn。
4.根据权利要求3所述的一种疲劳检测方法,其特征在于,所述将重构后的脑电信号的频谱熵、第二样本熵和近似熵降维融合得到多个融合特征熵具体为:
将δ波频谱熵δSpeEn、θ波频谱熵θSpeEn、α波频谱熵αSpeEn和β波频谱熵βSpeEn两两之间降维融合得到第一融合特征熵;
将δ波样本熵δSamEn、θ波样本熵θSamEn、α波样本熵αSamEn和β波样本熵βSamEn两两之间降维融合得到第二融合特征熵;
将δ波近似熵δAppEn、θ波近似熵θAppEn、α波近似熵αAppEn和β波近似熵βAppEn两两之间降维融合得到第三融合特征熵。
5.根据权利要求4所述的一种疲劳检测方法,其特征在于,所述根据特征值进行分类,确认使用者的疲劳状态具体为:
输入特征值到RVM分类器;
根据下式计算疲劳状态的概率:
p(ti=0|w)=1-p(ti=1|w);
其中,x=[x1,...xi,...x5]为输入RVM分类器的特征值;y(xi;ω)为RVM分类器的输出;w为RVM分类器的权重;K(x,xi)为核函数;
p(ti=1|w)为使用者处于疲劳状态的概率值;p(ti=0|w)为使用者处于非疲劳状态的概率值;
根据p(ti=1|w)和p(ti=0|w)的值确认使用者的疲劳状态。
6.根据权利要求5所述的一种疲劳检测方法,其特征在于,所述预处理脑电信号和眼电信号包括:
对脑电信号和眼电信号进行去趋势处理;
对脑电信号和眼电信号进行去均值处理;
对脑电信号和眼电信号进行带通滤波处理。
7.一种疲劳检测装置,其特征在于,包括:
采集模块,用于采集使用者的脑电信号和眼电信号;
预处理模块,用于预处理脑电信号和眼电信号;
特征值获取模块,用于对脑电信号和眼电信号进行特征提取和特征融合以得到特征值;
确认模块,用于根据特征值进行分类,确认使用者的疲劳状态;
其中,特征值获取模块包括:
重构单元,用于对脑电信号按频率范围进行重构;
第一提取单元,用于提取眼电信号的第一样本熵;
第二提取单元,用于提取重构后的脑电信号的频谱熵、第二样本熵和近似熵;
融合单元,用于将重构后的脑电信号的频谱熵、第二样本熵和近似熵降维融合得到多个融合特征熵;
合成单元,用于将眼电信号的第一样本熵以及脑电信号的多个融合特征熵构成特征值。
8.一种疲劳检测装置,其特征在于,包括处理器以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被处理器执行的指令,所述指令被所述处理器执行,以使所述处理器能够执行如权利要求1-6任一项所述的方法。
9.一种存储介质,其特征在于,所述存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1-6任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910102663.7A CN109875552B (zh) | 2019-02-01 | 2019-02-01 | 一种疲劳检测方法、装置及其存储介质 |
PCT/CN2020/078294 WO2020156589A1 (zh) | 2019-02-01 | 2020-03-06 | 一种疲劳检测方法、装置及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910102663.7A CN109875552B (zh) | 2019-02-01 | 2019-02-01 | 一种疲劳检测方法、装置及其存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109875552A true CN109875552A (zh) | 2019-06-14 |
CN109875552B CN109875552B (zh) | 2021-09-28 |
Family
ID=66927738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910102663.7A Active CN109875552B (zh) | 2019-02-01 | 2019-02-01 | 一种疲劳检测方法、装置及其存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109875552B (zh) |
WO (1) | WO2020156589A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110367967A (zh) * | 2019-07-19 | 2019-10-25 | 南京邮电大学 | 一种基于数据融合的便携型轻量化人脑状态检测方法 |
WO2020156589A1 (zh) * | 2019-02-01 | 2020-08-06 | 五邑大学 | 一种疲劳检测方法、装置及其存储介质 |
CN111603158A (zh) * | 2020-04-21 | 2020-09-01 | 苏州乐达纳米科技有限公司 | 基于电生理信号人工智能分析的疲劳驾驶告警方法及系统 |
CN113598792A (zh) * | 2021-08-04 | 2021-11-05 | 杭州电子科技大学 | 基于有监督特征融合算法的癫痫脑电分类方法 |
CN114287940A (zh) * | 2021-12-17 | 2022-04-08 | 深圳市海清视讯科技有限公司 | 疲劳检测方法、装置和电子设备 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113679396A (zh) * | 2021-08-13 | 2021-11-23 | 北京脑陆科技有限公司 | 疲劳识别模型的训练方法、装置、终端及介质 |
CN114048784B (zh) * | 2021-11-17 | 2024-07-26 | 江苏科技大学 | 基于共空间模式模糊小波包的脑电信号疲劳特征提取方法 |
CN116304643B (zh) * | 2023-05-18 | 2023-08-11 | 中国第一汽车股份有限公司 | 脑力负荷检测及模型训练方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997034524A1 (en) * | 1996-03-20 | 1997-09-25 | Lockheed Martin Energy Systems, Inc. | Epileptic seizure detection by nonlinear methods |
US20090177108A1 (en) * | 2007-04-12 | 2009-07-09 | Yuan Ze University | Method for Monitoring the Depth of Anesthesia |
CN103584840A (zh) * | 2013-11-25 | 2014-02-19 | 天津大学 | 基于脑电、心率变异及两者相干性的自动睡眠分期方法 |
CN104363983A (zh) * | 2014-08-06 | 2015-02-18 | 中国科学院自动化研究所 | 脑活动检测方法和系统 |
CN104794505A (zh) * | 2015-04-28 | 2015-07-22 | 上海大学 | 一种多通道的脑电信号数据融合降维方法 |
CN107280663A (zh) * | 2017-07-07 | 2017-10-24 | 南京邮电大学 | 一种基于不同实验难度的疲劳脑电特征研究的方法 |
CN108272463A (zh) * | 2017-08-07 | 2018-07-13 | 上海交通大学 | 一种基于脑电信号的飞行员疲劳检测方法 |
CN108320800A (zh) * | 2018-04-16 | 2018-07-24 | 吉林大学 | 癫痫病发作检测和发作前预测的脑电数据分析系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8628462B2 (en) * | 2008-10-07 | 2014-01-14 | Advanced Brain Monitoring, Inc. | Systems and methods for optimization of sleep and post-sleep performance |
CN104970773B (zh) * | 2015-07-21 | 2018-07-06 | 西安交通大学 | 一种基于双重特征筛选的自动睡眠分期方法 |
CN106108893B (zh) * | 2016-06-20 | 2019-03-01 | 杭州电子科技大学 | 基于眼电、脑电的运动想象训练人机交互系统设计方法 |
CN107280694A (zh) * | 2017-07-18 | 2017-10-24 | 燕山大学 | 一种基于多源信息融合的疲劳检测方法 |
CN108670260A (zh) * | 2018-03-09 | 2018-10-19 | 广东小天才科技有限公司 | 一种基于移动终端的用户疲劳检测方法及移动终端 |
CN109875552B (zh) * | 2019-02-01 | 2021-09-28 | 五邑大学 | 一种疲劳检测方法、装置及其存储介质 |
-
2019
- 2019-02-01 CN CN201910102663.7A patent/CN109875552B/zh active Active
-
2020
- 2020-03-06 WO PCT/CN2020/078294 patent/WO2020156589A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997034524A1 (en) * | 1996-03-20 | 1997-09-25 | Lockheed Martin Energy Systems, Inc. | Epileptic seizure detection by nonlinear methods |
US20090177108A1 (en) * | 2007-04-12 | 2009-07-09 | Yuan Ze University | Method for Monitoring the Depth of Anesthesia |
CN103584840A (zh) * | 2013-11-25 | 2014-02-19 | 天津大学 | 基于脑电、心率变异及两者相干性的自动睡眠分期方法 |
CN104363983A (zh) * | 2014-08-06 | 2015-02-18 | 中国科学院自动化研究所 | 脑活动检测方法和系统 |
CN104794505A (zh) * | 2015-04-28 | 2015-07-22 | 上海大学 | 一种多通道的脑电信号数据融合降维方法 |
CN107280663A (zh) * | 2017-07-07 | 2017-10-24 | 南京邮电大学 | 一种基于不同实验难度的疲劳脑电特征研究的方法 |
CN108272463A (zh) * | 2017-08-07 | 2018-07-13 | 上海交通大学 | 一种基于脑电信号的飞行员疲劳检测方法 |
CN108320800A (zh) * | 2018-04-16 | 2018-07-24 | 吉林大学 | 癫痫病发作检测和发作前预测的脑电数据分析系统 |
Non-Patent Citations (4)
Title |
---|
张军主编: "《临床麻醉与复苏》", 30 August 2017 * |
张弛: "基于脑/肌/眼电的疲劳驾驶检测技术的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
王洪涛等: "一种基于时_空_频联合选择与相关向量机的运动想象脑电信号分析算法", 《控制理论与应用》 * |
王立坤: "一种基于RVM回归的分类方法", 《电子科技》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020156589A1 (zh) * | 2019-02-01 | 2020-08-06 | 五邑大学 | 一种疲劳检测方法、装置及其存储介质 |
CN110367967A (zh) * | 2019-07-19 | 2019-10-25 | 南京邮电大学 | 一种基于数据融合的便携型轻量化人脑状态检测方法 |
CN110367967B (zh) * | 2019-07-19 | 2021-11-12 | 南京邮电大学 | 一种基于数据融合的便携型轻量化人脑状态检测方法 |
CN111603158A (zh) * | 2020-04-21 | 2020-09-01 | 苏州乐达纳米科技有限公司 | 基于电生理信号人工智能分析的疲劳驾驶告警方法及系统 |
CN113598792A (zh) * | 2021-08-04 | 2021-11-05 | 杭州电子科技大学 | 基于有监督特征融合算法的癫痫脑电分类方法 |
CN113598792B (zh) * | 2021-08-04 | 2024-01-30 | 杭州电子科技大学 | 基于有监督特征融合算法的癫痫脑电分类方法 |
CN114287940A (zh) * | 2021-12-17 | 2022-04-08 | 深圳市海清视讯科技有限公司 | 疲劳检测方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2020156589A1 (zh) | 2020-08-06 |
CN109875552B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109875552A (zh) | 一种疲劳检测方法、装置及其存储介质 | |
Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
Panda et al. | Classification of EEG signal using wavelet transform and support vector machine for epileptic seizure diction | |
EP3692903A1 (en) | Artificial intelligence self-learning-based automatic electrocardiography analysis method and apparatus | |
CN104367317B (zh) | 多尺度特征融合的心电图心电信号分类方法 | |
CN103610447B (zh) | 一种基于前额脑电信号的脑力负荷在线检测方法 | |
Zhang et al. | Classification of inter-ictal and ictal EEGs using multi-basis MODWPT, dimensionality reduction algorithms and LS-SVM: A comparative study | |
Khoshnevis et al. | Applications of higher order statistics in electroencephalography signal processing: A comprehensive survey | |
Lopes et al. | Automatic electroencephalogram artifact removal using deep convolutional neural networks | |
Lu et al. | Classification of single-channel EEG signals for epileptic seizures detection based on hybrid features | |
Lin et al. | Heartbeat classification using normalized RR intervals and wavelet features | |
WO2022135449A1 (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
CN112861625B (zh) | 一种堆叠去噪自编码器模型确定方法 | |
EP3554361B1 (en) | Improved signal quality index of multichannel bio-signal using riemannian geometry | |
CN113191395A (zh) | 一种基于双脑的多层次信息融合的目标检测方法 | |
Wang et al. | Classification of EEG signal using convolutional neural networks | |
Ceylan et al. | Wavelet neural network for classification of bundle branch blocks | |
Haloi et al. | Selection of appropriate statistical features of EEG signals for detection of Parkinson’s disease | |
Aung et al. | Analysis of EEG signals contaminated with motion artifacts using multiscale modified-distribution entropy | |
Yun-Mei et al. | The abnormal detection of electroencephalogram with three-dimensional deep convolutional neural networks | |
Bairagi et al. | Early diagnosis of Alzheimer disease using EEG signals: the role of pre-processing | |
Dembrani et al. | Accurate detection of ECG signals in ECG monitoring systems by eliminating the motion artifacts and improving the signal quality using SSG filter with DBE | |
Iaquinta et al. | EEG multipurpose eye blink detector using convolutional neural network | |
CN114027840A (zh) | 基于变分模态分解的情绪脑电识别方法 | |
Murthy et al. | Design and implementation of hybrid techniques and DA-based reconfigurable FIR filter design for noise removal in EEG signals on FPGA |
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 |