CN110215206A - 基于脑电信号的立体显示视疲劳评价方法、系统、装置 - Google Patents
基于脑电信号的立体显示视疲劳评价方法、系统、装置 Download PDFInfo
- Publication number
- CN110215206A CN110215206A CN201910504987.3A CN201910504987A CN110215206A CN 110215206 A CN110215206 A CN 110215206A CN 201910504987 A CN201910504987 A CN 201910504987A CN 110215206 A CN110215206 A CN 110215206A
- Authority
- CN
- China
- Prior art keywords
- fatigue
- level
- eeg signals
- visual fatigue
- wave
- 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
- 208000003464 asthenopia Diseases 0.000 title claims abstract description 66
- 238000011156 evaluation Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000013210 evaluation model Methods 0.000 claims abstract description 14
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 9
- 210000004556 brain Anatomy 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012880 independent component analysis Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000002567 electromyography Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 210000003792 cranial nerve Anatomy 0.000 abstract description 2
- 206010016256 fatigue Diseases 0.000 description 52
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000033764 rhythmic process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010047700 Vomiting Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
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
- A61B5/25—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]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属于脑神经科学以及信息技术领域，具体涉及了一种基于脑电信号的立体显示视疲劳评价方法、系统、装置，旨在解决利用脑电图对视疲劳进行评估准确性低的问题。本发明方法包括：获取设定时间内的脑电信号作为输入信号；对输入信号进行滤波、去噪处理，获得预处理信号；提取预处理信号的特征向量；通过视疲劳评价模型计算预处理信号的特征向量属于预设的各疲劳等级的概率；以概率值最大的疲劳等级作为输入信号的疲劳等级。本发明使用脑电信号作为评价立体视觉疲劳的指标，其更加客观，更加可靠，并且系统搭建简单，方法简单易学，评价过程连续，评价时间少，具有极高的可操作性。
Description
技术领域
本发明属于脑神经科学以及信息技术领域，具体涉及了一种基于脑电信号的立体显示视疲劳评价方法、系统、装置。
背景技术
当用户长时间观看3D内容时，会出现恶心、呕吐、出汗等视疲劳症状，极大的阻碍了3D技术的普及和发展，因此研究一种能够对用户视疲劳状态进行监控的方法十分必要。
脑电信号(EEG，Electroencephalograph)是脑细胞的节律性电活动在大脑皮层总体反应，可以通过放置在头皮上的电极检测得到。按照不同波段脑电图可以划分为δ(1-4Hz)、θ(4-7Hz)、α(8-13Hz)、β(14-30Hz)和γ(30-40Hz)五种节律波。针对这五种波形同视疲劳之间的关联，国内外学者进行了大量的研究，人们发现随着视疲劳程度的上升，其α波段和θ波段的功率显著增高而γ和δ波段的功率下降。但是，其功率同视疲劳之间的量化关系却始终没有得到阐明，因此也无法利用传统方法结合脑电图对视疲劳程度进行准确的建模。另外，由于当前对脑电信号的处理流程并没有一个标准的方法，有些研究只对脑电图信号进行简单的带通滤波便计算对应的功率属性、有些研究在滤波之外又执行了更为严格的伪迹剔除标准，这种差异导致许多研究结果存在较大差异，因此利用脑电图对视疲劳进行准确评估也无从谈起。这就要求我们在利用脑电图进行视疲劳评估时，不仅要制定合理的实验流程同时也要遵循统一的脑电信号处理规范。
总的来说，现有的技术无法利用脑电图对视疲劳程度进行准确的评估。
发明内容
为了解决现有技术中的上述问题，即利用脑电图对视疲劳进行评估准确性低的问题，本发明提供了一种基于脑电信号的立体显示视疲劳评价方法，包括：
步骤S10，获取设定时间内的脑电信号作为输入信号；
步骤S20，对所述输入信号进行滤波、去噪处理，获得预处理信号；
步骤S30，提取所述预处理信号的特征向量；
步骤S40，通过视疲劳评价模型计算所述预处理信号的特征向量属于预设的各疲劳等级的概率；
步骤S50，以概率值最大的疲劳等级作为输入信号的疲劳等级。
在一些优选的实施例中，所述视疲劳评价模型，其构建方法为：
步骤B10，获取多组预设条件的脑电信号作为训练数据集；获取训练数据集对应的疲劳等级作为训练数据标签集；
步骤B20，依据所述训练数据集，采用基于脑电信号的立体显示视疲劳评价方法权利要求1步骤S20-步骤S30方法，分别获取对应的各训练数据特征向量；
步骤B30，采用指数加权滑动平均算法对所述各特征向量进行平滑处理，获得训练数据对应的各平滑特征向量；
步骤B40，分别计算所述各平滑特征向量属于预设的疲劳等级的概率，依据各平滑特征向量对应的训练数据标签，通过岭回归的方法建立视疲劳评价模型。
在一些优选的实施例中，步骤S20中“对所述输入信号进行滤波、去噪处理，获得预处理信号”，其方法为：
依次采用以下方法对所述输入信号进行滤波、去噪处理：采用FIR滤波器进行1-40Hz带通的滤波处理；采用独立成分分析法去除信号中的眼电、心电、肌电信号；采用小波变换方法将信号分离为δ波、θ波、α波、β波、γ波信号；分别将分离获得的δ波、θ波、α波、β波、γ波信号按照预设时长分段，相邻段之间设置预设时长的重叠。
在一些优选的实施例中，步骤S30中“提取所述预处理信号的特征向量”，其方法为：
通过快速傅里叶变换函数分别计算各电极在所述预处理信号各波段的功率，并将获得的功率矩阵转换为一维向量作为提取的特征向量。
在一些优选的实施例中，所述疲劳等级为：
依据疲劳程度打分的1-5李克特量表，1代表不疲劳，随着数字加大疲劳程度加重，直至5严重疲劳。
在一些优选的实施例中，步骤S10中“获取设定时间内的脑电信号作为输入信号”，其方法为：
将预设时间间隔内的脑电数据作为一个整体，并在下一个时间间隔内将所述脑电数据作为输入信号。
在一些优选的实施例中，步骤B10中“获取多组预设条件的脑电信号作为训练数据集；获取训练数据集对应的疲劳等级作为训练数据标签集”，其方法为：
获取疲劳等级1-5对应的数据作为训练数据集，对应的疲劳等级作为训练数据标签集：疲劳等级为1直至疲劳等级变为2之间的脑电数据，对应的训练数据标签为1；疲劳等级为2直至疲劳等级变为3之间的脑电数据，对应的训练数据标签为2；疲劳等级为3直至疲劳等级变为4之间的脑电数据，对应的训练数据标签为3；疲劳等级为4直至疲劳等级变为5之间的脑电数据，对应的训练数据标签为4；疲劳等级为5以及后续设定时间内的脑电数据，对应的训练数据标签为5。
在一些优选的实施例中，所述脑电信号为采用30导脑电采集电极采集的，30导脑电采集电极为：
Fp1、Fp2、F3、F4、F7、F8、Fz、FC3、FC4、FT7、FT8、FCZ、C3、C4、T3、T4、CZ、CP3、CP4、TP7、TP8、CPZ、P3、P4、T5、T6、PZ、O1、O2、Oz。
本发明的另一方面，提出了一种基于脑电信号的立体显示视疲劳评价系统，包括输入模块、预处理模块、特征提取模块、视疲劳评价模块、输出模块；
所述输入模块，配置为获取设定时间内的脑电信号作为输入信号并输入；
所述预处理模块，配置为对所述输入信号进行滤波、去噪处理，获得预处理信号；
所述特征提取模块，配置为提取所述预处理信号的特征向量；
所述视疲劳评价模块，配置为通过视疲劳评价模型计算所述预处理信号的特征向量属于预设的各疲劳等级的概率；
所述输出模块，配置为输出概率值最大的疲劳等级作为输入信号的疲劳等级。
本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于脑电信号的立体显示视疲劳评价方法。
本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；所述处理器，适于执行各条程序；所述存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于脑电信号的立体显示视疲劳评价方法。
本发明的有益效果：
(1)本发明基于脑电信号的立体显示视疲劳评价方法，能够较为准确的评价当前用户的立体视觉疲劳状况，相比之前的光学手段评价质量更高，并且本发明方法不需要打断观看体验，可以在用户观看过程中进行连续评价，极大的简化了评价方式。
(2)本发明基于脑电信号的立体显示视疲劳评价方法，模型建立采用的训练数据集采集时间不固定，根据被采集对象的疲劳程度相应调整，采集的数据在不同类别分布更加均匀，克服了定长情况下类别不均衡甚至缺失的情况，从而保证了模型的稳定性。
(3)本发明基于脑电信号的立体显示视疲劳评价方法中的数据样本具有1秒钟的重叠部分，这在一定程度上等价于数据平滑，能够显著提升模型的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明基于脑电信号的立体显示视疲劳评价方法的流程示意图；
图2是本发明基于脑电信号的立体显示视疲劳评价方法一种实施例的观看内容以及测试环境示例图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的一种基于脑电信号的立体显示视疲劳评价方法，该评价方法包括：
步骤S10，获取设定时间内的脑电信号作为输入信号；
步骤S20，对所述输入信号进行滤波、去噪处理，获得预处理信号；
步骤S30，提取所述预处理信号的特征向量；
步骤S40，通过视疲劳评价模型计算所述预处理信号的特征向量属于预设的各疲劳等级的概率；
步骤S50，以概率值最大的疲劳等级作为输入信号的疲劳等级。
为了更清晰地对本发明基于脑电信号的立体显示视疲劳评价方法进行说明，下面结合图1对本发明方法实施例中各步骤展开详述。
本发明一种实施例的基于脑电信号的立体显示视疲劳评价方法，包括步骤S10-步骤S50，各步骤详细描述如下：
步骤S10，获取设定时间内的脑电信号作为输入信号：
将预设时间间隔内的脑电数据作为一个整体，并在下一个时间间隔内将所述脑电数据作为输入信号。
本发明实施例中，采用NeuroScan设备采集脑电信号，通过Scan4.5软件将采集的脑电信号数据传输给MATLAB软件完成数据处理。
脑电信号为通过NeuroScan设备的30导脑电采集电极采集的，30导脑电采集电极为：
Fp1、Fp2、F3、F4、F7、F8、Fz、FC3、FC4、FT7、FT8、FCZ、C3、C4、T3、T4、CZ、CP3、CP4、TP7、TP8、CPZ、P3、P4、T5、T6、PZ、O1、O2、Oz。
步骤S20，对所述输入信号进行滤波、去噪处理，获得预处理信号：
依次采用以下方法对所述输入信号进行滤波、去噪处理：采用FIR滤波器进行1-40Hz带通的滤波处理；采用独立成分分析法去除信号中的眼电、心电、肌电信号；采用小波变换方法将信号分离为δ波、θ波、α波、β波、γ波信号；分别将分离获得的δ波、θ波、α波、β波、γ波信号按照预设时长分段，相邻段之间设置预设时长的重叠。
(1)1-40Hz带通滤波
在脑电信号中低于1Hz的信号通常是基线漂移导致的伪迹，而高于40Hz的大多数是肌电成分，所以选取1-40Hz的频带作为目标频段进行带通滤波。
(2)独立成分分析法去噪去伪迹
由于脑电信号是非平稳随机信号，容易受到心电、眼电、肌电信号的干扰，另外也受到情绪、心态的影响，这种影响反映在脑电信号中就是各种伪迹。我们利用独立成分分析法(ICA，Independent Component Analysis)将眼电、心电、肌电成分从脑电信号中去除。
(3)节律波分离
利用小波变换法分离节律波，其中δ波频率在1-4Hz，θ波频率在4-7Hz，α波频率在8-13Hz，β波频率在13-30Hz，γ波频率在30-40Hz。
(4)数据段截取
分别将分离获得的δ波、θ波、α波、β波、γ波信号按照2秒分段，相邻段之间设置1秒时长的重叠。
步骤S30，提取所述预处理信号的特征向量：
通过快速傅里叶变换函数分别计算各电极在所述预处理信号各波段的功率，并将获得的功率矩阵转换为一维向量作为提取的特征向量。
步骤S40，通过视疲劳评价模型计算所述预处理信号的特征向量属于预设的各疲劳等级的概率，如式(1)所示：
其中，xi为电极i的特征向量，Pk(xi)代表xi属于疲劳等级k的概率。
βk可通过最小化范数目标函数获取，如式(2)所示：
其中，B＝{β1,β2,β3,β4,β5}；Yik表示向量xi是否属于疲劳等级k，如果属于则Yik＝1，否则Yik＝0。
所述疲劳等级为：
依据疲劳程度打分的1-5李克特量表，1代表不疲劳，随着数字加大疲劳程度加重，直至5严重疲劳。
视疲劳评价模型的构建方法为：
步骤B10，获取多组预设条件的脑电信号作为训练数据集；获取训练数据集对应的疲劳等级作为训练数据标签集。
获取疲劳等级1-5对应的数据作为训练数据集，对应的疲劳等级作为训练数据标签集：疲劳等级为1直至疲劳等级变为2之间的脑电数据，对应的训练数据标签为1；疲劳等级为2直至疲劳等级变为3之间的脑电数据，对应的训练数据标签为2；疲劳等级为3直至疲劳等级变为4之间的脑电数据，对应的训练数据标签为3；疲劳等级为4直至疲劳等级变为5之间的脑电数据，对应的训练数据标签为4；疲劳等级为5以及后续设定时间内的脑电数据，对应的训练数据标签为5。
如图2所示，为本发明基于脑电信号的立体显示视疲劳评价方法一种实施例的观看内容以及测试环境示例图，左边的两幅为观看内容示例图，最右边的一幅为测试环境示例图，被测对象距立体显示设备约1米，佩戴偏振式立体眼镜。观看时长25分钟左右，被测对象初始疲劳程度为1，也就是无视觉疲劳。观看18分钟后疲劳打分为5，也就是非常疲劳，之后延续观看5分钟。被测对象在观看过程中通过自我评估对自身的疲劳状态进行打分。
步骤B20，依据所述训练数据集，采用基于脑电信号的立体显示视疲劳评价方法权利要求1步骤S20-步骤S30方法，分别获取对应的各训练数据特征向量。
步骤B30，采用指数加权滑动平均算法对所述各特征向量进行平滑处理，获得训练数据对应的各平滑特征向量。
本发明一个实施例中，平滑参数取值在[0.1 1]区间内，可以通过设置不同参数值进行多次验证以选取最优参数。
步骤B40，分别计算所述各平滑特征向量属于预设的疲劳等级的概率，依据各平滑特征向量对应的训练数据标签，通过岭回归的方法建立视疲劳评价模型。
岭回归是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，对病态数据的拟合要强于最小二乘法。
步骤S50，以概率值最大的疲劳等级作为输入信号的疲劳等级。
本发明第二实施例的基于脑电信号的立体显示视疲劳评价系统，包括输入模块、预处理模块、特征提取模块、视疲劳评价模块、输出模块；
所述输入模块，配置为获取设定时间内的脑电信号作为输入信号并输入；
所述预处理模块，配置为对所述输入信号进行滤波、去噪处理，获得预处理信号；
所述特征提取模块，配置为提取所述预处理信号的特征向量；
所述视疲劳评价模块，配置为通过视疲劳评价模型计算所述预处理信号的特征向量属于预设的各疲劳等级的概率；
所述输出模块，配置为输出概率值最大的疲劳等级作为输入信号的疲劳等级。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于脑电信号的立体显示视疲劳评价系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于脑电信号的立体显示视疲劳评价方法。
本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于脑电信号的立体显示视疲劳评价方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (11)
1.一种基于脑电信号的立体显示视疲劳评价方法，其特征在于，该评价方法包括：
步骤S10，获取设定时间内的脑电信号作为输入信号；
步骤S20，对所述输入信号进行滤波、去噪处理，获得预处理信号；
步骤S30，提取所述预处理信号的特征向量；
步骤S40，通过视疲劳评价模型计算所述预处理信号的特征向量属于预设的各疲劳等级的概率；
步骤S50，以概率值最大的疲劳等级作为输入信号的疲劳等级。
2.根据权利要求1所述的基于脑电信号的立体显示视疲劳评价方法，其特征在于，所述视疲劳评价模型，其构建方法为：
步骤B10，获取多组预设条件的脑电信号作为训练数据集；获取训练数据集对应的疲劳等级作为训练数据标签集；
步骤B20，依据所述训练数据集，采用基于脑电信号的立体显示视疲劳评价方法权利要求1步骤S20-步骤S30方法，分别获取对应的各训练数据特征向量；
步骤B30，采用指数加权滑动平均算法对所述各特征向量进行平滑处理，获得训练数据对应的各平滑特征向量；
步骤B40，分别计算所述各平滑特征向量属于预设的疲劳等级的概率，依据各平滑特征向量对应的训练数据标签，通过岭回归的方法建立视疲劳评价模型。
3.根据权利要求1所述的基于脑电信号的立体显示视疲劳评价方法，其特征在于，步骤S20中“对所述输入信号进行滤波、去噪处理，获得预处理信号”，其方法为：
依次采用以下方法对所述输入信号进行滤波、去噪处理：采用FIR滤波器进行1-40Hz带通的滤波处理；采用独立成分分析法去除信号中的眼电、心电、肌电信号；采用小波变换方法将信号分离为δ波、θ波、α波、β波、γ波信号；分别将分离获得的δ波、θ波、α波、β波、γ波信号按照预设时长分段，相邻段之间设置预设时长的重叠。
4.根据权利要求1所述的基于脑电信号的立体显示视疲劳评价方法，其特征在于，步骤S30中“提取所述预处理信号的特征向量”，其方法为：
通过快速傅里叶变换函数分别计算各电极在所述预处理信号各波段的功率，并将获得的功率矩阵转换为一维向量作为提取的特征向量。
5.根据权利要求1-4任一项所述的基于脑电信号的立体显示视疲劳评价方法，其特征在于，所述疲劳等级为：
依据疲劳程度打分的1-5李克特量表，1代表不疲劳，随着数字加大疲劳程度加重，直至5严重疲劳。
6.根据权利要求1所述的基于脑电信号的立体显示视疲劳评价方法，其特征在于，步骤S10中“获取设定时间内的脑电信号作为输入信号”，其方法为：
将预设时间间隔内的脑电数据作为一个整体，并在下一个时间间隔内将所述脑电数据作为输入信号。
7.根据权利要求5所述的基于脑电信号的立体显示视疲劳评价方法，其特征在于，步骤B10中“获取多组预设条件的脑电信号作为训练数据集；获取训练数据集对应的疲劳等级作为训练数据标签集”，其方法为：
获取疲劳等级1-5对应的数据作为训练数据集，对应的疲劳等级作为训练数据标签集：疲劳等级为1直至疲劳等级变为2之间的脑电数据，对应的训练数据标签为1；疲劳等级为2直至疲劳等级变为3之间的脑电数据，对应的训练数据标签为2；疲劳等级为3直至疲劳等级变为4之间的脑电数据，对应的训练数据标签为3；疲劳等级为4直至疲劳等级变为5之间的脑电数据，对应的训练数据标签为4；疲劳等级为5以及后续设定时间内的脑电数据，对应的训练数据标签为5。
8.根据权利要求6或7所述的基于脑电信号的立体显示视疲劳评价方法，其特征在于，所述脑电信号为采用30导脑电采集电极采集的，30导脑电采集电极为：
Fp1、Fp2、F3、F4、F7、F8、Fz、FC3、FC4、FT7、FT8、FCZ、C3、C4、T3、T4、CZ、CP3、CP4、TP7、TP8、CPZ、P3、P4、T5、T6、PZ、O1、O2、Oz。
9.一种基于脑电信号的立体显示视疲劳评价系统，其特征在于，包括输入模块、预处理模块、特征提取模块、视疲劳评价模块、输出模块；
所述输入模块，配置为获取设定时间内的脑电信号作为输入信号并输入；
所述预处理模块，配置为对所述输入信号进行滤波、去噪处理，获得预处理信号；
所述特征提取模块，配置为提取所述预处理信号的特征向量；
所述视疲劳评价模块，配置为通过视疲劳评价模型计算所述预处理信号的特征向量属于预设的各疲劳等级的概率；
所述输出模块，配置为输出概率值最大的疲劳等级作为输入信号的疲劳等级。
10.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-8任一项所述的基于脑电信号的立体显示视疲劳评价方法。
11.一种处理装置，包括
处理器，适于执行各条程序；以及
存储装置，适于存储多条程序；
其特征在于，所述程序适于由处理器加载并执行以实现：
权利要求1-8任一项所述的基于脑电信号的立体显示视疲劳评价方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910504987.3A CN110215206A (zh) | 2019-06-12 | 2019-06-12 | 基于脑电信号的立体显示视疲劳评价方法、系统、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910504987.3A CN110215206A (zh) | 2019-06-12 | 2019-06-12 | 基于脑电信号的立体显示视疲劳评价方法、系统、装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110215206A true CN110215206A (zh) | 2019-09-10 |
Family
ID=67816540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910504987.3A Pending CN110215206A (zh) | 2019-06-12 | 2019-06-12 | 基于脑电信号的立体显示视疲劳评价方法、系统、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110215206A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111012345A (zh) * | 2019-12-31 | 2020-04-17 | 中科诺泰(山东)智能科技有限公司 | 眼部疲劳度检测系统及方法 |
| CN112070177A (zh) * | 2020-09-18 | 2020-12-11 | 中国科学院自动化研究所 | 基于多任务信息提高目标检测泛化能力的脑机接口系统 |
| CN112568915A (zh) * | 2019-09-11 | 2021-03-30 | 中国科学院自动化研究所 | 基于多任务学习的立体显示视疲劳评估方法、系统、装置 |
| 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 |
| CN115192043A (zh) * | 2022-07-15 | 2022-10-18 | 中山大学中山眼科中心 | 视疲劳预见性预测的分类模型的训练方法及训练装置 |
| CN116304563A (zh) * | 2023-02-09 | 2023-06-23 | 清华大学 | 施工工人的疲劳程度计算方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104720798A (zh) * | 2015-04-03 | 2015-06-24 | 上海帝仪科技有限公司 | 基于脑电频谱特征的疲劳检测方法及系统 |
| CN109124625A (zh) * | 2018-09-04 | 2019-01-04 | 大连理工大学 | 一种驾驶员疲劳状态水平分级方法 |
| CN109276227A (zh) * | 2018-08-22 | 2019-01-29 | 天津大学 | 基于eeg技术对立体深度运动引起的视觉疲劳分析方法 |
| CN109480871A (zh) * | 2018-10-30 | 2019-03-19 | 北京机械设备研究所 | 一种面向rsvp脑-机接口的疲劳检测方法 |
-
2019
- 2019-06-12 CN CN201910504987.3A patent/CN110215206A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104720798A (zh) * | 2015-04-03 | 2015-06-24 | 上海帝仪科技有限公司 | 基于脑电频谱特征的疲劳检测方法及系统 |
| CN109276227A (zh) * | 2018-08-22 | 2019-01-29 | 天津大学 | 基于eeg技术对立体深度运动引起的视觉疲劳分析方法 |
| CN109124625A (zh) * | 2018-09-04 | 2019-01-04 | 大连理工大学 | 一种驾驶员疲劳状态水平分级方法 |
| CN109480871A (zh) * | 2018-10-30 | 2019-03-19 | 北京机械设备研究所 | 一种面向rsvp脑-机接口的疲劳检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| KANG YUE 等: "Compare and Model Multi-level Stereoscopic 3D Visual Fatigue Based on EEG", 《SID SYMPOSIUM DIGEST OF TECHNICAL PAPERS》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112568915A (zh) * | 2019-09-11 | 2021-03-30 | 中国科学院自动化研究所 | 基于多任务学习的立体显示视疲劳评估方法、系统、装置 |
| CN112568915B (zh) * | 2019-09-11 | 2022-02-15 | 中国科学院自动化研究所 | 基于多任务学习的立体显示视疲劳评估方法、系统、装置 |
| 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 |
| 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 |
| CN111012345A (zh) * | 2019-12-31 | 2020-04-17 | 中科诺泰(山东)智能科技有限公司 | 眼部疲劳度检测系统及方法 |
| CN112070177A (zh) * | 2020-09-18 | 2020-12-11 | 中国科学院自动化研究所 | 基于多任务信息提高目标检测泛化能力的脑机接口系统 |
| 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 |
| CN115192043A (zh) * | 2022-07-15 | 2022-10-18 | 中山大学中山眼科中心 | 视疲劳预见性预测的分类模型的训练方法及训练装置 |
| CN116304563A (zh) * | 2023-02-09 | 2023-06-23 | 清华大学 | 施工工人的疲劳程度计算方法及系统 |
| CN116304563B (zh) * | 2023-02-09 | 2024-02-06 | 清华大学 | 施工工人的疲劳程度计算方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110215206A (zh) | 基于脑电信号的立体显示视疲劳评价方法、系统、装置 | |
| Al-Fahoum et al. | Methods of EEG signal features extraction using linear analysis in frequency and time-frequency domains | |
| Hu et al. | Real-time sensing of trust in human-machine interactions | |
| Mognon et al. | ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features | |
| CN107577343B (zh) | 一种基于力触觉反馈和脑电信号分析的注意力训练与评价装置 | |
| CN111783942B (zh) | 一种基于卷积循环神经网络的脑认知过程模拟方法 | |
| Kovalenko et al. | A pool of pairs of related objects (POPORO) for investigating visual semantic integration: Behavioral and electrophysiological validation | |
| US6470202B2 (en) | fMRI signal processing | |
| CN109117730A (zh) | 心电图心房颤动实时判断方法、装置、系统及存储介质 | |
| CN111714118B (zh) | 一种基于集成学习的脑认知模型融合方法 | |
| Gordon et al. | From intermodulation components to visual perception and cognition-a review | |
| Frid et al. | Features and machine learning for correlating and classifying between brain areas and dyslexia | |
| Kuo et al. | Attention biases visual activity in visual short-term memory | |
| CN108498106A (zh) | 基于多重分形消除趋势波动分析的cnv脑电测谎方法 | |
| Stefano Filho et al. | EEG sensorimotor rhythms’ variation and functional connectivity measures during motor imagery: Linear relations and classification approaches | |
| Dimitriadis et al. | Surface EEG shows that functional segregation via phase coupling contributes to the neural substrate of mental calculations | |
| Kuo et al. | Top–down activation of spatiotopic sensory codes in perceptual and working memory search | |
| 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 | |
| Kim et al. | Perceptual texture dimensions modulate neuronal response dynamics in visual cortical area V4 | |
| Shi et al. | Realistic models of apparent dynamic changes in resting‐state connectivity in somatosensory cortex | |
| CN116595437B (zh) | 零校准迁移学习分类模型的训练方法、设备和存储介质 | |
| Neumann et al. | Interaction of ON and OFF pathways for visual contrast measurement | |
| Wang et al. | Training state and performance evaluation of working memory based on task-related EEG | |
| Fang et al. | Noninvasive neuroimaging and spatial filter transform enable ultra low delay motor imagery EEG decoding | |
| CN110840433B (zh) | 与作业任务场景弱耦合的工作负荷测评方法 |
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: 20190910 |