CN112656373A - 基于脑网络拓扑规律的体力疲劳检测方法及系统 - Google Patents
基于脑网络拓扑规律的体力疲劳检测方法及系统 Download PDFInfo
- Publication number
- CN112656373A CN112656373A CN202011495740.9A CN202011495740A CN112656373A CN 112656373 A CN112656373 A CN 112656373A CN 202011495740 A CN202011495740 A CN 202011495740A CN 112656373 A CN112656373 A CN 112656373A
- Authority
- CN
- China
- Prior art keywords
- brain
- fatigue
- physical fatigue
- grades
- information
- 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体力疲劳检测方法及系统,包括:采集大脑中的血红蛋白信息,记录被试疲劳诱发实验前后的主观评价量表和行为学测试结果;对采集的大脑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大脑血红蛋白信息按体力疲劳等级进行分类,计算各脑区之间的相关性,分别统计对应各体力疲劳等级的脑网络连接拓扑规律,其中所述脑网络连接拓扑规律是各种任务诱发疲劳对应的共性表征;根据所述脑网络连接拓扑规律,构建对应两两体力疲劳等级之间、脑区连接相关性的具体的统计性差异变化图。本发明可以实时检测出疲劳的具体状态,有利于提前预警。
Description
技术领域
本发明涉及疲劳检测的技术领域,尤其是指一种基于脑网络拓扑规律的体力疲劳检测方法及系统。
背景技术
体力疲劳时日常生活中的常见问题,也是影响工作效率的重要因素之一。体力疲劳分为肌肉疲劳、心肺疲劳和神经系统疲劳等。如果长期处于过度体力疲劳的状态,可引发许多身心疾病,严重影响身体健康;同时,体力疲劳会使人的作业精度、效率和稳定性下降,在某些领域引发工作事故,比如驾驶,互联网,外科手术等。通过对体力疲劳程度实时判断,以此来合理安排工作强度,及时休息,维护身心健康。另外,更主要的是可以在过度疲劳之前发出预警,预防和减少工作事故的发生。因此,对人体的体力疲劳程度的评估是非常有必要的。
目前常见的体力疲劳的检测方式包括:基于主观感受的疲劳估计方法、基于生化指标的疲劳检测方法、基于表面肌电信号的检测方法等,其中基于主观感受的疲劳检测方法对专业人员的个人经验和水平依赖性较大,易发生误判的情况,缺乏客观性;基于生化指标的检测方法,需要采集血样,无法做到对疲劳状态的实时监测;基于表面肌电信号的检测技术,主要用于肌肉疲劳的检测,信号采集相对不便,体力疲劳包含的心肺疲劳和神经系统疲劳的检测也无法胜任。
与现有检测方法相比,脑机接口中涉及的基于近红外成像技术(FunctionalNear-infrared Spectroscopy,简称FNIRS)能够保证信号采集的客观性、安全性和实时性。而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。尽管前人已经对体疲劳评估进行大量研究,这些研究能够较好地识别出疲劳状态,但是仅仅是区分不疲劳和疲劳两种状态,无法实时检测出疲劳的具体状态,不利于在过度疲劳之前给出预警信号;且在体力疲劳的中枢神经系统和外周神经系统的变化机理还处于模糊状态,体疲劳中的大脑作用机制仍然是不明确的。
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无法实时检测出疲劳的具体状态,无法提前进行预警的问题,从而提供一种可以实时检测出疲劳的具体状态,能有效提前预警的基于脑网络拓扑规律的体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体力疲劳检测方法,包括:步骤S1:采集大脑中的血红蛋白信息,记录被试疲劳诱发实验前后的主观评价量表和行为学测试结果;步骤S2:对采集的大脑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大脑血红蛋白信息按体力疲劳等级进行分类,计算各脑区之间的相关性,分别统计对应各体力疲劳等级的脑网络连接拓扑规律,其中所述脑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:根据所述脑网络连接拓扑规律,构建对应两两体力疲劳等级之间、脑区连接相关性的具体的统计性差异变化图。
在本发明的一个实施例中,对采集的大脑血红蛋白信息的相应频段进行带通滤波的处理。
在本发明的一个实施例中,对采集的大脑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,对预处理后的大脑血红蛋白信息划分时,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,预处理后的大脑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,计算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,构建对应两两体力疲劳等级之间、脑区连接相关性的具体的统计性差异变化图的方法为:统计对应各疲劳等级之间脑网络拓扑规律的变化趋势。
本发明还提供了一种基于脑网络拓扑规律的体力疲劳检测系统,包括:采集模块,用于采集大脑中的血红蛋白信息,记录被试疲劳诱发实验前后的主观评价量表和行为学测试结果;预处理模块,用于对采集的大脑血红蛋白信息进行预处理;分类计算模块,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大脑血红蛋白信息按体力疲劳等级进行分类,计算各脑区之间的相关性,分别统计对应各体力疲劳等级的脑网络连接拓扑规律,其中所述脑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,用于根据所述脑网络连接拓扑规律,构建对应两两体力疲劳等级之间、脑区连接相关性的具体的统计性差异变化图。
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体力疲劳检测方法及系统,对短时间高强度无氧运动和长时间有氧训练两种不同的体力疲劳诱发方式综合分析,研究不同因素诱发体力疲劳的大脑血氧信息共性演变规律,提升体力疲劳等级判断的准确性和适应性;疲劳等级的划分综合考虑主观和客观两个维度的等级评估方法,不只是将样本区分为有疲劳和无疲劳两个状态,而是将样本划分为无疲劳、中度疲劳和重度疲劳三个等级,从而有利于对过度疲劳的提前预警,实用意义更强;采集大脑中的血红蛋白信息,对采集的血红蛋白信息进行预处理,有利于去除信号中的干扰信息,保留利于体力疲劳区分的关键生理信息频段,提升系统的实时性能;按大脑皮层区域划分血氧信息采集通道,基于熵权法计算脑区整体血氧浓度,减小个体差异的影响,建立对应不同体力疲劳等级的脑网络拓扑连接规律;根据不同体力疲劳等级间的各脑区相关性统计差异,构建疲劳等级间脑区相关性变化图,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。
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体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是本发明无疲劳和中度疲劳之间的脑区对比统计示意图;
图5b是本发明中度疲劳和重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体力疲劳检测方法,包括如下步骤:步骤S1:采集大脑中的血红蛋白信息,记录被试疲劳诱发实验前后的主观评价量表和行为学测试结果;步骤S2:对采集的大脑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大脑血红蛋白信息按体力疲劳等级进行分类,计算各脑区之间的相关性,分别计算并统计对应各体力疲劳等级的脑网络连接拓扑规律,其中所述脑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:根据所述脑网络连接拓扑规律,构建对应两两体力疲劳等级之间、脑区连接相关性的具体的统计性差异变化图。
本实施例所述基于脑网络拓扑规律的体力疲劳检测方法,所述步骤S1中,采集大脑中的血红蛋白信息,用于后续分析处理,记录被试疲劳诱发实验前后的主观评价量表和行为学测试结果,有利用综合主观和客观两个维度准确判断疲劳等级;所述步骤S2中,对采集的大脑血红蛋白信息进行预处理,有利于去血红蛋白信息中无关信息的干扰,利于之后的脑网络拓扑规律的建立;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大脑血红蛋白信息按体力疲劳等级进行分类,针对主观评价量表和行为学测试结果进行疲劳等级划分,主客观维度统一,确定更真实的疲劳等级,有利于建立实际意义更强的脑网络拓扑规律,计算各脑区之间的相关性,分别计算并统计对应各体力疲劳等级的脑网络连接拓扑规律,其中所述脑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,根据所述脑网络连接拓扑规律,构建对应两两体力疲劳等级之间、脑区连接相关性的具体的统计性差异变化图,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,从而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,记录疲劳诱发实验前后的主观评价量表和行为学测试结果,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。量表分为五个维度:总体疲劳、体力疲劳、活动减少、动力下降和精神疲劳。MFI量表语言简单易懂,每个维度分正反两个方面描述,正反向计分,分数越高对应越深的疲劳程度。该量表不仅可以对受试者进行全面疲劳评定,还可以根据需要将某个维度单独抽出进行评定。MFI多维疲劳量表应用广泛,已有很多研究检验其信效度并证明其有效性。为更为准确的评定体力疲劳的等级,本发明选择针对体力体力疲劳的量表项目进行疲劳等级的判定。
所述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。本发明中选择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的异同。刺激分为视觉刺激和听觉刺激,刺激间隙停留时间为3.5秒,刺激停留时间为0.5秒,测试总时长为2分钟,N-back测试可以多维度的评定被试者的体力疲劳状态。
所述MR测试(mental rotation)即心理旋转,也称“意象旋转”。测试要求被试者把在头脑中建立的视觉刺激物的意像在心理上实现旋转。具体为要求被试比较两张图片,判断它们是否代表不同方向的同一物体,或一个物体通过旋转能否得到另一个物体,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,本发明测试中被试者每项用于判断的时间为4秒,测试总时长约2min。N-back和MR行为学测试综合考虑可以客观评定被试者的体力疲劳状态。
所述步骤S2中,对采集的大脑血红蛋白信息进行预处理的方法为:对采集的大脑血红蛋白信息的相应频段进行带通滤波的处理,保留体力疲劳识别相关生理信息频段,保留信号原有数学形态的同时去除高频噪声以及血红蛋白信号采集过程中的信号零漂现象。
具体地,对采集的大脑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,对预处理后的大脑血红蛋白信息划分时,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。
预处理后的大脑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。
针对主观评价量表和行为学测试结果进行疲劳等级的划分,综合主观和客观两个维度的疲劳等级判别方法,将等级划分为无疲劳、中度疲劳和重度疲劳三个疲劳等级。
所述主观评价量表疲劳等级划分中,根据主观量表体力疲劳等级划分,综合考虑两种量表条目选择方式。量表体力疲劳评定包含4个条目:1.在身体上我感觉只能做一点(体力);2.在身体上我可以承担很多(体力);3.身体上我感觉我的身体状态不好;4.身体上我感觉我的身体状况不错。第二种条目选择为:1.在身体上我感觉只能做一点(体力);2.我感到活跃;3.我感到疲倦;4.在身体上我可以承担很多(体力);5.身体上我感觉我的身体状态不好;6.身体上我感觉我的身体状况不错。综合考虑两种条目选择,疲劳值都大于3的划分为疲劳重度疲劳,之后疲劳值同时大于2的划分为中度疲劳。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。其余划分为无疲劳。
所述行为学测试结果疲劳等级划分中,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,即去除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体力疲劳等级的脑网络拓扑规律客观有效。
计算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。
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。
本发明中划分了8个ROI脑区,如图3所示,其中L、M、N分别表示左、中、右,如PFC_表示PFC区域的左部分。为了进一步减少个体差异对结果的影响,计算每一个脑区对应的血氧浓度时采用熵权的加权平均法,该方法通过计算ROI脑区内各通道的信息熵数值,自适应的分配各通道对应的权重,以此来计算对应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,…,NN,jj=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:
YROI=∑j xijωj (5)
对处理后的信息进行相关分析,分别统计对应不同疲劳等级的脑网络连接拓扑结构,具体方法为,两两计算不同脑区之间大脑脑血氧信号的皮尔森相关系数,以此来判断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;相关系数的数值差异,可以反映出被试者不同测试脑区之间大脑血氧含量连接性或协同程度。皮尔森相关系数计算方法如下:
去除大脑血氧信息的异常数据后,统计对应不同疲劳等级的样本的相关系数矩阵,按对应脑区间位置取均值,从而获得每个等级所对应的相关系数矩阵。在采集的氧和血红蛋白、脱氧血红蛋白和总氧血红蛋白中三种大脑血红蛋白信息中,氧和血红蛋白信息最能体现不同体力疲劳等级间脑网络拓扑结构的差异。如图4a、图4b和图4c所示,分别为无疲劳、中度疲劳和重度疲劳所对应脑网络连接拓扑结构。
所述步骤S4中,构建对应两两体力疲劳等级之间、脑区连接相关性的具体的统计性差异变化图的方法为:统计对应各疲劳等级之间脑网络拓扑规律的变化趋势。
为了进一步体现疲劳等级间的统计差异,按疲劳等级进行样本划分后,对脑区对之间的相关系数进行方差分析,统计出对应不同体力疲劳等级具有显著差异的脑区对,无疲劳和中度疲劳之间PFC_L-SMA、PFC_L-PMC_L、PFC-L-PMC_R、PFC-L-PMC_R、FEC_R-PMC_L、FEC_R-PMC_R脑区间相关系数差异性显著。中度疲劳和重度疲劳之间PFC_L-PFC_M、SMA-PMC_R脑区间相关系数差异性显著,具体统计参数如图5a和图5b所示。之后对求得的对应不同疲劳等级的相关系数矩阵,不同等级间互相作差。得到中度疲劳和无疲劳、重度疲劳和中度疲劳,两两疲劳等级之间网络连接的变化趋势,如图6a和图6b所示,从无疲劳状态过渡到中度疲劳状态时,前额区PFC之间、PMC和SAM之间相关性基本无变化。左PFC区域和PMC、SMA区域之间相关性显著提升。右FEC区域和PMC区域之间相关性提升显著;体力疲劳程度由中度疲劳发展到重度疲劳时,大脑运动相关的脑区FEC、PMC、SMA之间的整体关联程度降低,特别是左FEC区域和PMC区域之间、SMA区域和右PMC区域之间关联程度显著下降,而PFC之间的连接强度略有增强,特别是PEC区域中部和左FEC区域之间。总体而言,随着疲劳程度的增加,前额叶功能链接增强,但是运动辅助区(SMA)和运动前区(PMC)的功能连接在中度体力疲劳时增强,神经活动增强,重度体力疲劳时整体减弱,区域神经活动减弱。
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体力疲劳检测系统,其解决问题的原理与所述基于脑网络拓扑规律的体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体力疲劳检测系统,包括:
采集模块,用于采集大脑中的血红蛋白信息,记录被试疲劳诱发实验前后的主观评价量表和行为学测试结果;
预处理模块,用于对采集的大脑血红蛋白信息进行预处理;
分类计算模块,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大脑血红蛋白信息按体力疲劳等级进行分类,计算各脑区之间的相关性,分别统计对应各体力疲劳等级的脑网络连接拓扑规律,其中所述脑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,用于根据所述脑网络连接拓扑规律,构建对应两两体力疲劳等级之间、脑区连接相关性的具体的统计性差异变化图。
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体力疲劳检测方法,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,记录被试疲劳诱发实验前后的主观评价量表和行为学测试结果;
步骤S2:对采集的大脑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大脑血红蛋白信息按体力疲劳等级进行分类,计算各脑区之间的相关性,分别统计对应各体力疲劳等级的脑网络连接拓扑规律,其中所述脑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:根据所述脑网络连接拓扑规律,构建对应两两体力疲劳等级之间、脑区连接相关性的具体的统计性差异变化图。
2.根据权利要求1所述的基于脑网络拓扑规律的体力疲劳检测方法,其特征在于:对采集的大脑血红蛋白信息进行预处理的方法为:对采集的大脑血红蛋白信息的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体力疲劳检测方法,其特征在于:对采集的大脑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体力疲劳检测方法,其特征在于:对预处理后的大脑血红蛋白信息按体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体力疲劳检测方法,其特征在于:预处理后的大脑血红蛋白信息按体力疲劳等级划分为无疲劳、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体力疲劳检测方法,其特征在于:计算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体力疲劳检测方法,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体力疲劳检测方法,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1所述的基于脑网络拓扑规律的体力疲劳检测方法,其特征在于:构建对应两两体力疲劳等级之间、脑区连接相关性的具体的统计性差异变化图的方法为:统计对应各疲劳等级之间脑网络拓扑规律的变化趋势。
10.一种基于脑网络拓扑规律的体力疲劳检测系统,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,记录被试疲劳诱发实验前后的主观评价量表和行为学测试结果;
预处理模块,用于对采集的大脑血红蛋白信息进行预处理;
分类计算模块,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大脑血红蛋白信息按体力疲劳等级进行分类,计算各脑区之间的相关性,分别统计对应各体力疲劳等级的脑网络连接拓扑规律,其中所述脑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,用于根据所述脑网络连接拓扑规律,构建对应两两体力疲劳等级之间、脑区连接相关性的具体的统计性差异变化图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011495740.9A CN112656373B (zh) | 2020-12-17 | 2020-12-17 | 基于脑网络拓扑规律的体力疲劳检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011495740.9A CN112656373B (zh) | 2020-12-17 | 2020-12-17 | 基于脑网络拓扑规律的体力疲劳检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112656373A true CN112656373A (zh) | 2021-04-16 |
CN112656373B CN112656373B (zh) | 2022-12-16 |
Family
ID=75404773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011495740.9A Active CN112656373B (zh) | 2020-12-17 | 2020-12-17 | 基于脑网络拓扑规律的体力疲劳检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112656373B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010246738A (ja) * | 2009-04-16 | 2010-11-04 | Kracie Seiyaku Kk | 疲労度の測定方法 |
CN108309318A (zh) * | 2018-01-30 | 2018-07-24 | 苏州大学 | 基于大脑血红蛋白信息的大脑功能状态评价装置 |
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 |
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 |
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 |
CN110870769A (zh) * | 2018-09-03 | 2020-03-10 | 香港理工大学深圳研究院 | 一种肌肉疲劳等级的检测方法及设备 |
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 |
-
2020
- 2020-12-17 CN CN202011495740.9A patent/CN112656373B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010246738A (ja) * | 2009-04-16 | 2010-11-04 | Kracie Seiyaku Kk | 疲労度の測定方法 |
CN108309318A (zh) * | 2018-01-30 | 2018-07-24 | 苏州大学 | 基于大脑血红蛋白信息的大脑功能状态评价装置 |
CN110870769A (zh) * | 2018-09-03 | 2020-03-10 | 香港理工大学深圳研究院 | 一种肌肉疲劳等级的检测方法及设备 |
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 |
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 |
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 |
Non-Patent Citations (1)
Title |
---|
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", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112656373B (zh) | 2022-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Petković et al. | Adaptive neuro-fuzzy estimation of autonomic nervous system parameters effect on heart rate variability | |
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 | |
US7433732B1 (en) | Real-time brain monitoring system | |
Talukdar et al. | Motor imagery and mental fatigue: inter-relationship and EEG based estimation | |
AlSharabi et al. | EEG signal processing for Alzheimer’s disorders using discrete wavelet transform and machine learning approaches | |
CA2779010A1 (en) | Brain activity as a marker of disease | |
CN114999237B (zh) | 一种智慧教育互动教学方法 | |
Chen et al. | Scalp EEG-based pain detection using convolutional neural network | |
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 | |
CN109222906B (zh) | 一种基于脑部电信号构建疼痛状态预测模型的方法 | |
CN112057087B (zh) | 精神分裂症高风险人群自主神经功能数据处理方法及装置 | |
Jaiswal et al. | Effect of mental workload on breathing pattern and heart rate for a working memory task: A pilot study | |
El-Samahy et al. | A new computer control system for mental stress management using fuzzy logic | |
CN112656373B (zh) | 基于脑网络拓扑规律的体力疲劳检测方法及系统 | |
CN115486819B (zh) | 一种感知觉神经通路多级联检测量化的方法、系统和装置 | |
CN116211308A (zh) | 一种高强度运动下机体疲劳评估方法 | |
Holdaway et al. | Classification of somatosensory-evoked potentials recorded from patients with severe head injuries | |
Vijean et al. | Objective investigation of vision impairments using single trial pattern reversal visually evoked potentials | |
Rosati et al. | Feature selection applied to the time-frequency representation of muscle near-infrared spectroscopy (NIRS) signals: characterization of diabetic oxygenation patterns | |
CN112656372B (zh) | 基于脑网络拓扑规律的脑力疲劳检测方法及系统 | |
Radhakrishnan et al. | Investigating EEG Signals of Autistic Individuals Using Detrended Fluctuation Analysis. | |
Khalil et al. | Deep Learning Applications in Brain Computer Interface Based Lie Detection | |
Dharma et al. | Hypertension Identification Using Naive Bayes Classification Method and Pan Tompkins Feature Extraction | |
Nagar et al. | Analysis of EEG signals using Machine Learning for the Detection and Diagnosis of Epilepsy | |
CN112656430A (zh) | 基于站立位失衡诱发脑电的卒中平衡康复评估方法 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Li Chunguang Inventor after: Peng Yaoxing Inventor after: Xu Yongliang Inventor after: Zhu Yufei Inventor after: Qu Wei Inventor before: Li Chunguang Inventor before: Xu Yongliang Inventor before: Peng Yaoxing Inventor before: Zhu Yufei Inventor before: Qu Wei |
|
GR01 | Patent grant | ||
GR01 | Patent grant |