CN112656372A - 基于脑网络拓扑规律的脑力疲劳检测方法及系统 - Google Patents
基于脑网络拓扑规律的脑力疲劳检测方法及系统 Download PDFInfo
- Publication number
- CN112656372A CN112656372A CN202011495718.4A CN202011495718A CN112656372A CN 112656372 A CN112656372 A CN 112656372A CN 202011495718 A CN202011495718 A CN 202011495718A CN 112656372 A CN112656372 A CN 112656372A
- Authority
- CN
- China
- Prior art keywords
- brain
- fatigue
- network connection
- information
- grades
- 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
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于脑网络拓扑规律的脑力疲劳检测方法及系统,包括:采集大脑中的血红蛋白信息,并记录实验前后的主观评价量表和行为学数据;对采集的血红蛋白信息进行预处理;根据所述主观评价量表和行为学测试结果对预处理后的血红蛋白信息按脑力疲劳等级进行分类,分析各脑区之间的相关性,建立跨任务下不同脑疲劳等级的网络连接拓扑规律,其中所述网络连接拓扑规律是各种任务诱发疲劳对应的共性表征;根据网络连接拓扑规律构建两两对应疲劳等级之间具有统计性差异的网络连接变化图。本发明的计算复杂度低,脑机接口系统的实时性能好。
Description
技术领域
本发明涉及健康评估技术领域,尤其是指一种基于脑网络拓扑规律的脑力疲劳检测方法及系统。
背景技术
脑疲劳(即脑力疲劳)属于其中的一种,它是一种亚健康的状态,由人们过度地进行需要集中注意力的脑力负荷所引起的大脑生理机能下降。人通常会表现出不安,反应迟钝,无精打采,渴望休息等状态。如果长期处于过度脑疲劳状态,可引发许多身心疾病,严重影响身体健康;严重的脑疲劳还会使人的心理承受能力下降,无法面对生活上的种种压力,导致精神崩溃。同时,脑疲劳也有可能在某些领域引发工作事故,比如驾驶,互联网,外科手术等。根据脑疲劳程度来合理安排工作强度,及时休息,从而预防和减少工作事故的发生和维护身心健康。因此,评估人体的脑疲劳是非常有必要的。
目前,已经有大量团队开展了对诱发脑疲劳实验的评估方法研究。然而诸多研究仅仅是区分不疲劳和疲劳两种状态,没有针对个体差异影响因素做进一步研究,以及在单一诱发条件下发生脑疲劳,并且是在实验环境而非复杂工作环境进行脑疲劳诱发实验,这使得脑疲劳评估方法缺乏普适性和鲁棒性,而且在应用中会对被试的工作造成高度干扰。在不同的脑疲劳诱发实验中,评估模型选取的生理信号特征存在较大差异性,无法揭示脑力疲劳的统一机制。因此,有必要在各种复杂真实工作环境中寻找脑疲劳产生和发展的大脑属性的共性变化规律,以为疲劳监测和疲劳对抗提供科学方法和理论支撑。
脑机接口中涉及的基于近红外成像技术(Functional Near-infraredSpectroscopy,简称FNIRS)由于能够保证信号采集的安全性,近来越来越多的被应用。由于脑机接口作为一种新的人机交互方式,能够绕开神经传输通道和肌肉部分的作用,直接在大脑与外界环境之间建立信息沟通渠道,控制外部设备,因此脑机接口技术在健康评估领域的研究应用可以很好的帮助人们针对脑血氧信息进行脑疲劳评估检测。当前,面向健康评估的脑机接口技术尚未完全成熟,还处在亟需快速发展的阶段,而且存在以下问题:多分类任务识别准确率低,而且计算复杂度高,脑机接口系统的实时性能差。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中计算复杂度高,脑机接口系统的实时性能差的问题,从而提供一种计算复杂度低,脑机接口系统的实时性能好的基于脑网络拓扑规律的脑力疲劳检测方法及系统。
为解决上述技术问题,本发明的一种基于脑网络拓扑规律的脑力疲劳检测方法,包括:采集大脑中的血红蛋白信息,并记录实验前后的主观评价量表和行为学数据;对采集的血红蛋白信息进行预处理;根据所述主观评价量表和行为学测试结果对预处理后的血红蛋白信息按脑力疲劳等级进行分类,分析各脑区之间的相关性,建立跨任务下不同脑疲劳等级的网络连接拓扑规律,其中所述网络连接拓扑规律是各种任务诱发疲劳对应的共性表征;根据网络连接拓扑规律构建两两对应疲劳等级之间具有统计性差异的网络连接变化图。
在本发明的一个实施例中,对采集的血红蛋白信息进行预处理的方法为:对采集的血红蛋白信息对相应频段进行带通滤波的处理。
在本发明的一个实施例中,对采集的血红蛋白信息运用切比雪夫带通滤波方法对相应频段进行带通滤波的处理。
在本发明的一个实施例中,对预处理后的血红蛋白信息按脑力疲劳等级进行分类时,分别从MFI量表、N-back测试、MR测试三个不同维度对体力疲劳等级进行综合划分。
在本发明的一个实施例中,预处理后的血红蛋白信息划分为无疲劳、中度疲劳和重度疲劳三个体力疲劳等级。
在本发明的一个实施例中,分析各脑区之间的相关性的方法为:按大脑皮层区域划分脑区,对每个区域内的信号采集通道,运用熵权法对同一脑区的不同通道重新分配权重和血氧值,计算两两不同测试脑区之间脑血氧信号的皮尔森相关系数衡量两个测试脑区之间的变化趋势的异同。
在本发明的一个实施例中,运用熵权法对同一脑区的不同通道重新分配权重和血氧值,计算两两不同测试脑区之间脑血氧信号的方法为:采用最大最小归一化公式,逐个通道地对每个采样点进行归一化;计算ROI区域内的每个采样点的概率值;采用信息熵公式计算每个通道的信息熵,并将其数值规范到[0,1]内;根据信息熵,计算每个通道的权重,根据权重,计算出包含N个采样点的某个ROI脑区的血氧信号。
在本发明的一个实施例中,衡量两个测试脑区之间的变化趋势的异同,若皮尔森相关系数值大于0,则表示两个测试脑区的血氧信息变化趋势正相关;若相关系数值小于0,则表示变化趋势负相关;若相关系数为趋近0,则两测试脑区信息不相关。
在本发明的一个实施例中,根据网络连接拓扑规律构建两两对应疲劳等级之间具有统计性差异的网络连接变化图的方法:以求得的相关系数为基础,每个疲劳等级统一求各个相关系数的平均值,然后不同等级间再作差。
本发明还提供了一种基于脑网络拓扑规律的脑力疲劳检测系统,包括:采集模块,用于采集大脑中的血红蛋白信息,并记录实验前后的主观评价量表和行为学数据;预处理模块,用于对采集的血红蛋白信息进行预处理;分类模块,用于根据所述主观评价量表和行为学测试结果对预处理后的血红蛋白信息按脑力疲劳等级进行分类,分析各脑区之间的相关性,建立跨任务下不同脑疲劳等级的网络连接拓扑规律,其中所述网络连接拓扑规律是各种任务诱发疲劳对应的共性表征;构建模块,用于根据网络连接拓扑规律构建两两对应疲劳等级之间具有统计性差异的网络连接变化图。
本发明的上述技术方案相比现有技术具有以下优点:
本发明所述的基于脑网络拓扑规律的脑力疲劳检测方法及系统,对正常脑力工作、疲劳驾驶、精神运动警觉度测试(PVT)三种任务诱发脑疲劳综合分析实现跨任务疲劳评估,有利于研究不同因素诱发脑疲劳的大脑共性演变规律。量表和行为学数据有利于获得真实多维度的脑疲劳等级方法。疲劳等级划分为3个,不再是单一的区分正常和疲劳两种状态,而且重度疲劳更有利于对过度疲劳做出预警;采集的血红蛋白信息进行预处理,有利于去除脑血氧中无关信息的干扰和零漂现象的修正;对预处理后的信息进行相关性分析,建立跨任务下不同脑疲劳等级的网络连接拓扑规律,分析不同等级间的统计性差异和相关性差异,构建对应两两疲劳等级之间具有统计性差异的网络连接变化图,从而更直观的发现不同等级间相关性特征的差异。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1是本发明基于脑网络拓扑规律的脑力疲劳检测方法流程图;
图2是本发明氧合血红蛋白振动信号分解的六大频率间隔以及对应生理意义示意图;
图3是本发明感兴趣区域ROI脑区的划分方式示意图;
图4a是本发明无疲劳时的网络连接拓扑结构示意图;
图4b是本发明中度疲劳时的网络连接拓扑结构示意图;
图4c是本发明重度疲劳时的网络连接拓扑结构示意图;
图5a是本发明中度疲劳和无疲劳之间的脑区对比统计示意图;
图5b是本发明重度疲劳和中度疲劳之间的脑区对比统计示意图;
图6a是本发明中度疲劳和无疲劳等级之间的网络连接变化图;
图6b是本发明重度疲劳和中度疲劳等级之间的网络连接变化图。
具体实施方式
实施例一
如图1所示,本实施例提供一种基于脑网络拓扑规律的脑力疲劳检测方法,包括:步骤S1:采集大脑中的血红蛋白信息,并记录实验前后的主观评价量表和行为学数据;步骤S2:对采集的血红蛋白信息进行预处理;步骤S3:根据所述主观评价量表和行为学测试结果对预处理后的血红蛋白信息按脑力疲劳等级进行分类,分析各脑区之间的相关性,建立跨任务下不同脑疲劳等级的网络连接拓扑规律,其中所述网络连接拓扑规律是各种任务诱发疲劳对应的共性表征;步骤S4:根据网络连接拓扑规律构建两两对应疲劳等级之间具有统计性差异的网络连接变化图。
本实施例所述基于脑网络拓扑规律的脑力疲劳检测方法,所述步骤S1中,采集大脑中的血红蛋白信息,并记录实验前后的主观评价量表和行为学数据,有利于获得用于脑疲劳评估检测的主观和客观判别方法;所述步骤S2中,对采集的血红蛋白信息进行预处理,有利于去除脑血氧中无关信息的干扰,也消除了由于仪器采集等因素引起的数据零漂现象;所述步骤S3中,根据所述主观评价量表和行为学测试结果对预处理后的血红蛋白信息按脑力疲劳等级进行分类,由于从主观量表和客观行为学数据两方面综合得出一种疲劳等级划分方法,因此有利于更真实的确定疲劳等级,分析各脑区之间的相关性,建立跨任务下不同脑疲劳等级的网络连接拓扑规律,其中所述网络连接拓扑规律是各种任务诱发疲劳对应的共性表征,由于按脑区划分大脑血氧信息的采集通道,因此有利于减小个体差异对脑网络拓扑结构的影响;所述步骤S4中,根据网络连接拓扑规律构建两两对应疲劳等级之间具有统计性差异的网络连接变化图,根据所述统计性差异变化图可以直观的体现脑区间的相关特征由于疲劳等级的不同而发生的变化,不但计算复杂度低,而且可以实时检测出疲劳的具体状态,有利于对过度疲劳的提前预警,实用意义更强。
所述步骤S1中,记录实验前后的主观评价量表和行为学数据,所述主观评价量表选择为MFI多维疲劳量表,行为学测试选择N-back、MR实验。
所述MFI多维疲劳量表,是20个项目组成的主观疲劳等级评价量表。其分为五个四项子量表:总体疲劳、体力疲劳、活动减少、动力下降和精神疲劳。MFI比例均匀,分为正面和负面措辞的项目。每个项目各5分。分数越高表示疲劳程度越高。MFI-20的心理测量学验证显示了良好的价值,有效性和可靠性。为更好更有相关度的评估脑疲劳,本发明针对性的选择总体疲劳、活动减少、精神疲劳的几个项目进行测试。
所述行为学测试N-back是一种用于工作记忆训练的心理学测试。N-back练习要求被试者将刚刚出现过的刺激与前面第n个刺激相比较,通过控制当前刺激与目标刺激间隔的刺激个数来操纵负荷。本发明专利选择n=1。当n=1时,要求被试者比较当前刺激和与它相邻的前一个刺激。为能多维度的评估脑疲劳,刺激分视觉刺激和听觉刺激两部分同步进行。间隙停留时间为3.5s,刺激停留时间为0.5s,总时长约2min。
所述MR测试(mental rotation)即心理旋转,也称“意象旋转”。指人们把头脑中建立的视觉刺激物的意像在心理上实现的旋转谢巴德等人(1971)的实验发现,当要求被试比较两张图片,判断它们是否代表同一物体的不同方面或两个不同的物体时,大多数被试要在头脑中想像地将两个物体调转到同一方向才能进行比较;而且意象在头脑中旋转的角度越大,作出判断的反应时越长。
本发明专利设置间隙停留时间为3.5s,图片停留时间为0.5s,总时长约2min。
所述步骤S2中,对采集的血红蛋白信息进行预处理的方法为:运用切比雪夫带通滤波方法对相应频段进行预处理,可以去除无关频段信息干扰的同时,也有效消除了由于仪器采集等因素引起的数据零漂现象。
对采集的血红蛋白信息进行带通滤波的处理时,在实际血红蛋白信息的采集过程中,往往会产生零漂现象,这会对待分析的低频神经元活动造成干扰。由于原始近红外信号中除了基线漂移,还存在有生理干扰以及高频噪声,其中生理干扰包括有呼吸作用以及心率作用等,而高频噪声主要来源于工频干扰。有近红外相关研究表明,不同频段的大脑血氧信号可以表征出不同的生理相关信息。根据文献中得出的研究结论,将不同频段信号按照其生理特点作如下划分,如图2所示。为准确获取和神经活动高度相关频段的脑血氧信息,对零漂现象进行修正并去除无关频段信息的干扰,基于功率谱分析结果和图2中描述信息确定滤波频段为0.005Hz-0.145Hz,应用切比雪夫滤波器对信号进行带通滤波。
所述步骤S3中,根据所述主观评价量表和行为学测试结果对预处理后的血红蛋白信息按脑力疲劳等级进行分类时,从主观量表和客观行为学数据两方面综合得出一种疲劳等级划分方法,等级划分为无疲劳(等级1)、中度疲劳(等级2)、重度疲劳(等级3)。
主观量表疲劳等级划分:量表脑力疲劳评定包含7个条目:1.我感到活跃。2.我感到疲倦。3.我专心做事需要很大努力。4.我感到精神充沛。5.我能很好的集中注意力。6.我几乎没做什么事情。7.当我做某事的时候我可以一直想着它。量表结果按条目数取平均值。综合考虑两种条目选择,疲劳值都大于3的划分为疲劳等级3(重度疲劳),之后疲劳值同时大于2的划分为疲劳等级2(中度疲劳)。一项量表结果疲劳值大于3,另一项量表结果确定的疲劳值小于等于2的标记为异常样本。其余划分为疲劳等级1(无疲劳)。
行为学测试结果疲劳等级划分:综合考虑行为学测试的准确率和反应时间计算每位被试者的行为学测试得分。之后将行为学数据按量表的划分结果分类,分别统计无疲劳、中度疲劳和重度疲劳样本对应的行为学测试得分,分别计算每一组数据的均值和标准差,用于异常数据的筛选,即主观评价结果和客观行为学测试不相符的样本。具体方法为:如果被试由量表确定的疲劳等级为重度疲劳,而其相应的行为学测试分数小于由量表确定的疲劳等级为无疲劳的样本的均值减标准差,则将该数据标记为异常数据。同样,如果被试由量表确定的疲劳等级为无疲劳,而其相应的行为学测试分数大于由量表确定的疲劳等级为无疲劳的样本的均值加标准差,则将该数据标记为异常数据,剔除异常数据,以保证之后针对不同脑力疲劳等级的脑网络拓扑规律客观有效。
分析各脑区之间的相关性的方法为:按大脑皮层区域划分脑区,对每个区域内的信号采集通道,运用熵权法对同一脑区的不同通道重新分配权重和血氧值,计算两两不同测试脑区之间脑血氧信号的皮尔森相关系数衡量两个测试脑区之间的变化趋势的异同。
为了得到更好疲劳状态识别效果,预处理后的血氧信息,对应不同大脑皮层,将信号采集通道划分为数8个感兴趣区域(Region of Interest,ROI),以此来避免由于被试者个体差异导致的信号采集通道位置对应的大脑区域不同的问题,减少被试者头颅个体差异对测试的影响。为更简便的评估脑疲劳不同通道的相关性差异,本发明将测试血氧通道分为8大脑区。ROI脑区划分方式如图3所示,其中通道选择为16探头的24通道。在计算ROI脑区血氧浓度值时,采用基于熵权法的加权平均法。该方法能够根据ROI脑区内各通道的信息熵值,自适应地分配给各个通道相应的权重,根据权重大小计算ROI脑区的整体血氧浓度。基于熵权法计算ROI值的步骤如下所示:
假设待计算的ROI脑区X包含有N个采样点和M个通道。首先采用最大最小归一化公式,逐个通道地对每个采样点进行归一化:
其中i=1,2,…,N,j=1,2,…,M,xij∈X。
其次,计算ROI区域内的每个采样点的概率值pij:
其中i=1,2,…,N,j=1,2,…,M。
接着,采用信息熵公式计算每个通道的信息熵ej,并将其数值规范到[0,1]内:
根据信息熵,计算每个通道的权重ωj:
最终,根据权重,便可以计算出包含N个采样点的某个ROI脑区的血氧信号:
从空间相关特征对信号特征进行提取的方法为:计算两两不同测试脑区之间脑血氧信号的皮尔森相关系数衡量两个测试脑区之间的变化趋势的异同。
具体地,通过计算两两不同测试脑区之间脑血氧信号的皮尔森相关系数,来衡量两个测试脑区之间的变化趋势的异同。若皮尔森相关系数值大于0,则表示两个测试脑区的血氧信息变化趋势为正相关;若相关系数值小于0,则表示变化趋势相反;若相关系数为0,则两测试脑区信息完全不相关;根据相关系数的差异,可以反映出不同测试脑区之间信号协作同步程度以及趋势。皮尔森相关系数计算方法如下:
针对正常脑力工作、模拟驾驶以及精神运动警觉度测试过程的三种脑血红蛋白信息构建脑功能网络。通过求两两不同脑区间的相关系数,每类血氧可得到28个相关系数。筛选掉异常数据后,把3个疲劳等级的样本个数对应的相关系数分别叠加在一起,统一求各个相关系数的平均值,从而每个等级可以得到28个相关系数的均值。分析并提取每一种疲劳等级状态下三种任务诱发脑疲劳所对应脑网络的共性连接分布。建立跨任务下不同脑疲劳等级的网络连接拓扑结构,其中含氧血红蛋白的拓扑结构变化最为显著,如图4a、图4b、图4c所示,脑网络链接PFC区域的链接有显著增强。
所述步骤S4中,根据网络连接拓扑规律构建两两对应疲劳等级之间具有统计性差异的网络连接变化图的方法:以求得的相关系数为基础,每个疲劳等级统一求各个相关系数的平均值,然后不同等级间再作差。
对上一步求得的各个相关系数的平均值,不同等级间互相作差。通过中度疲劳和无疲劳、重度疲劳和中度疲劳,对应两两疲劳等级之间网络连接具有统计性差异的连接变化如图5a和图5b所示。具有统计性差异的连接对所对应每一等级的相关强度以及统计差异值如图6a和图6b所示。初步结果显示,随着中度疲劳的产生,PFC_R和FEC_R的链接增强,PMC_L和FEC_R、PMC_L和PMC_R的连接强度减弱;随着重度疲劳的产生,PFC(PFC_L、PFC_M、PFC_R)之间、PFC_L和FEC_L的链接增强,SMA和PMC_R、SMA和FEC_R的连接强度减弱。总体而言,随着疲劳程度的增加,前额叶(PFC)功能链接增强,神经活动增强,但是运动辅助区(SMA)和运动前区(PMC)的功能连接减弱,神经活动减弱。
实施例二
基于同一发明构思,本实施例提供了一种基于脑网络拓扑规律的脑力疲劳检测系统,其解决问题的原理与所述基于脑网络拓扑规律的脑力疲劳检测方法类似,重复之处不再赘述。
本实施例提供一种基于脑网络拓扑规律的脑力疲劳检测系统,包括:
采集模块,用于采集大脑中的血红蛋白信息,并记录实验前后的主观评价量表和行为学数据;
预处理模块,用于对采集的血红蛋白信息进行预处理;
分类模块,用于根据所述主观评价量表和行为学测试结果对预处理后的血红蛋白信息按脑力疲劳等级进行分类,分析各脑区之间的相关性,建立跨任务下不同脑疲劳等级的网络连接拓扑规律,其中所述网络连接拓扑规律是各种任务诱发疲劳对应的共性表征;
构建模块,用于根据网络连接拓扑规律构建两两对应疲劳等级之间具有统计性差异的网络连接变化图。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于脑网络拓扑规律的脑力疲劳检测方法,其特征在于,包括如下步骤:
步骤S1:采集大脑中的血红蛋白信息,并记录实验前后的主观评价量表和行为学数据;
步骤S2:对采集的血红蛋白信息进行预处理;
步骤S3:根据所述主观评价量表和行为学测试结果对预处理后的血红蛋白信息按脑力疲劳等级进行分类,分析各脑区之间的相关性,建立跨任务下不同脑疲劳等级的网络连接拓扑规律,其中所述网络连接拓扑规律是各种任务诱发疲劳对应的共性表征;
步骤S4:根据网络连接拓扑规律构建两两对应疲劳等级之间具有统计性差异的网络连接变化图。
2.根据权利要求1所述的基于脑网络拓扑规律的脑力疲劳检测方法,其特征在于:对采集的血红蛋白信息进行预处理的方法为:对采集的血红蛋白信息对相应频段进行带通滤波的处理。
3.根据权利要求2所述的基于脑网络拓扑规律的脑力疲劳检测方法,其特征在于:对采集的血红蛋白信息运用切比雪夫带通滤波方法对相应频段进行带通滤波的处理。
4.根据权利要求1所述的基于脑网络拓扑规律的脑力疲劳检测方法,其特征在于:对预处理后的血红蛋白信息按脑力疲劳等级进行分类时,分别从MFI量表、N-back测试、MR测试三个不同维度对体力疲劳等级进行综合划分。
5.根据权利要求1或4所述的基于脑网络拓扑规律的脑力疲劳检测方法,其特征在于:预处理后的血红蛋白信息划分为无疲劳、中度疲劳和重度疲劳三个体力疲劳等级。
6.根据权利要求1所述的基于脑网络拓扑规律的脑力疲劳检测方法,其特征在于:分析各脑区之间的相关性的方法为:按大脑皮层区域划分脑区,对每个区域内的信号采集通道,运用熵权法对同一脑区的不同通道重新分配权重和血氧值,计算两两不同测试脑区之间脑血氧信号的皮尔森相关系数衡量两个测试脑区之间的变化趋势的异同。
7.根据权利要求6所述的基于脑网络拓扑规律的脑力疲劳检测方法,其特征在于:运用熵权法对同一脑区的不同通道重新分配权重和血氧值,计算两两不同测试脑区之间脑血氧信号的方法为:采用最大最小归一化公式,逐个通道地对每个采样点进行归一化;计算ROI区域内的每个采样点的概率值;采用信息熵公式计算每个通道的信息熵,并将其数值规范到[0,1]内;根据信息熵,计算每个通道的权重,根据权重,计算出包含N个采样点的某个ROI脑区的血氧信号。
8.根据权利要求6所述的基于脑网络拓扑规律的脑力疲劳检测方法,其特征在于:衡量两个测试脑区之间的变化趋势的异同,若皮尔森相关系数值大于0,则表示两个测试脑区的血氧信息变化趋势正相关;若相关系数值小于0,则表示变化趋势负相关;若相关系数为趋近0,则两测试脑区信息不相关。
9.根据权利要求6所述的基于脑网络拓扑规律的脑力疲劳检测方法,其特征在于:根据网络连接拓扑规律构建两两对应疲劳等级之间具有统计性差异的网络连接变化图的方法:以求得的相关系数为基础,每个疲劳等级统一求各个相关系数的平均值,然后不同等级间再作差。
10.一种基于脑网络拓扑规律的脑力疲劳检测系统,其特征在于,包括:
采集模块,用于采集大脑中的血红蛋白信息,并记录实验前后的主观评价量表和行为学数据;
预处理模块,用于对采集的血红蛋白信息进行预处理;
分类模块,用于根据所述主观评价量表和行为学测试结果对预处理后的血红蛋白信息按脑力疲劳等级进行分类,分析各脑区之间的相关性,建立跨任务下不同脑疲劳等级的网络连接拓扑规律,其中所述网络连接拓扑规律是各种任务诱发疲劳对应的共性表征;
构建模块,用于根据网络连接拓扑规律构建两两对应疲劳等级之间具有统计性差异的网络连接变化图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011495718.4A CN112656372B (zh) | 2020-12-17 | 2020-12-17 | 基于脑网络拓扑规律的脑力疲劳检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011495718.4A CN112656372B (zh) | 2020-12-17 | 2020-12-17 | 基于脑网络拓扑规律的脑力疲劳检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112656372A true CN112656372A (zh) | 2021-04-16 |
CN112656372B CN112656372B (zh) | 2022-02-15 |
Family
ID=75404753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011495718.4A Active CN112656372B (zh) | 2020-12-17 | 2020-12-17 | 基于脑网络拓扑规律的脑力疲劳检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112656372B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617609A (zh) * | 2013-10-24 | 2014-03-05 | 上海交通大学 | 基于图论的k-means非线性流形聚类与代表点选取方法 |
CN104050394A (zh) * | 2014-07-04 | 2014-09-17 | 北京师范大学 | 群体脑网络的建模方法及其拓扑属性分析方法 |
CN109567818A (zh) * | 2018-11-20 | 2019-04-05 | 苏州大学 | 基于血红蛋白信息的多种行走步态调整意图的识别方法 |
CN109710065A (zh) * | 2018-12-18 | 2019-05-03 | 苏州大学 | 基于大脑血红蛋白信息的行走调节意图的识别方法 |
CN109770924A (zh) * | 2019-01-24 | 2019-05-21 | 五邑大学 | 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 |
CN111450380A (zh) * | 2020-03-30 | 2020-07-28 | 重庆大学 | 基于近红外脑功能成像的驾驶疲劳智能检测警示唤醒系统 |
CN111950441A (zh) * | 2020-08-10 | 2020-11-17 | 苏州大学 | 上肢运动意图的fnirs实时解码方法及系统 |
-
2020
- 2020-12-17 CN CN202011495718.4A patent/CN112656372B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617609A (zh) * | 2013-10-24 | 2014-03-05 | 上海交通大学 | 基于图论的k-means非线性流形聚类与代表点选取方法 |
CN104050394A (zh) * | 2014-07-04 | 2014-09-17 | 北京师范大学 | 群体脑网络的建模方法及其拓扑属性分析方法 |
CN109567818A (zh) * | 2018-11-20 | 2019-04-05 | 苏州大学 | 基于血红蛋白信息的多种行走步态调整意图的识别方法 |
CN109710065A (zh) * | 2018-12-18 | 2019-05-03 | 苏州大学 | 基于大脑血红蛋白信息的行走调节意图的识别方法 |
CN109770924A (zh) * | 2019-01-24 | 2019-05-21 | 五邑大学 | 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 |
CN111450380A (zh) * | 2020-03-30 | 2020-07-28 | 重庆大学 | 基于近红外脑功能成像的驾驶疲劳智能检测警示唤醒系统 |
CN111950441A (zh) * | 2020-08-10 | 2020-11-17 | 苏州大学 | 上肢运动意图的fnirs实时解码方法及系统 |
Non-Patent Citations (2)
Title |
---|
徐嘉诚: "基于大脑血红蛋白信息的行走及步态调整意图识别方法研究", 《中国优秀硕博士学位论文全文数据库(硕士)医药卫生科技辑》 * |
许立伟: "基于近红外光谱的驾驶员疲劳态脑功能连接特性分析", 《中国优秀硕博士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112656372B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113397546B (zh) | 基于机器学习和生理信号的情绪识别模型构建方法及系统 | |
CN109646022B (zh) | 儿童注意力评估系统及其方法 | |
EP3547906A1 (en) | Semiology of seizures including muscle signals collected from electroencephalography electrodes | |
CN115349857B (zh) | 一种基于fNIRS脑功能图谱的动态康复评估方法和系统 | |
CN114693170A (zh) | 一种基于多源参数融合的飞行员跳伞训练心理评估方法 | |
Chen et al. | Scalp EEG-based pain detection using convolutional neural network | |
CN108670277A (zh) | 精神压力监测方法 | |
KR20150029969A (ko) | 뇌파 측정을 이용한 감성상태 분류 방법 | |
Jaiswal et al. | Effect of mental workload on breathing pattern and heart rate for a working memory task: A pilot study | |
CN113100769A (zh) | 基于生理指标的无人机操作人员工作状态评估方法及系统 | |
El-Samahy et al. | A new computer control system for mental stress management using fuzzy logic | |
CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
CN113397482A (zh) | 一种人类行为分析方法及系统 | |
CN112656372B (zh) | 基于脑网络拓扑规律的脑力疲劳检测方法及系统 | |
CN111671419A (zh) | 一种基于脑电信号的癫痫早期检测与识别方法及系统 | |
CN116421199A (zh) | 一种神经反馈非应答者的检测方法及系统 | |
CN111128387A (zh) | 建立癫痫发作检测模型的方法和设备 | |
CN116211308A (zh) | 一种高强度运动下机体疲劳评估方法 | |
Vijean et al. | Objective investigation of vision impairments using single trial pattern reversal visually evoked potentials | |
CN112656373B (zh) | 基于脑网络拓扑规律的体力疲劳检测方法及系统 | |
Radhakrishnan et al. | Investigating EEG Signals of Autistic Individuals Using Detrended Fluctuation Analysis. | |
CN114783552A (zh) | 操作人员岗前疲劳检测方法和系统 | |
CN115017996A (zh) | 一种基于多生理参数的脑力负荷预测方法和系统 | |
US11950919B2 (en) | System for real-time measurement of the activity of a cognitive function and method for calibrating such a system | |
Joaquim et al. | Learning data representation and emotion assessment from physiological data |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Li Chunguang Inventor after: Xu Yongliang Inventor after: Peng Yaoxing Inventor after: Zhu Yufei Inventor after: Qu Wei Inventor before: Li Chunguang Inventor before: Peng Yaoxing Inventor before: Xu Yongliang Inventor before: Zhu Yufei Inventor before: Qu Wei |
|
CB03 | Change of inventor or designer information |