CN112842359B - 一种智能安全帽的压力、疲劳信息监测方法 - Google Patents

Abstract

本发明涉及生物医学信号处理技术领域，尤其涉及一种智能安全帽的压力、疲劳信息监测方法，包括如下步骤：包括如下步骤：步骤S10：采集脑电信号；步骤S20：对采集的信号进行预处理，去除基线漂移、工频干扰和噪音；步骤S30：对预处理之后的信号在时域、频域和非线性域进行特征提取；步骤S40：采用最大相关最小冗余算法进行特征选择，分别对疲劳检测和压力检测相关特征进行选择与保留；步骤S50：通过BP神经网络分别对疲劳检测和压力检测进行识别与训练，构建疲劳等级F、压力等级P，并建立精神状态评估方程：S＝e^F‑1+P，式中，S为精神状态指标；步骤S60：对工人疲劳等级F、压力等级P和精神状态指标S进行综合评估，判断工人精神状态。

Description

一种智能安全帽的压力、疲劳信息监测方法

技术领域

本发明涉及生物医学信号处理技术领域，尤其涉及一种智能安全帽的压力、疲劳信息监测方法。

背景技术

有一些高危工种如电力高空作业等，在作业时，需要工人保持注意力集中与精力充沛，否则容易产生安全事故，但是在高危作业时，工人又时刻面临着较大的精神压力，容易疲惫。然而大部分人自我感知的压力和疲劳程度与实际情况并不贴合，或即使在自我感知压力大或者疲劳的状态下依然坚持工作，因此对于压力和疲劳的监测是必要的。

脑电信号是评价精神状态的重要指标，可以有效地反映精神压力或者疲劳状态，然而在高危作业的工人身上，大多只集成有环境监测装置，无法对工人的生理状态进行实时监测。且现有技术中，基于脑电监测精神状态的研究，只从疲劳方面或压力方面进行研究，而实际上压力和疲劳关系密切，长时间的精神压力是导致疲劳的一个重要因素，压力和疲劳共同影响工人当前精神状态，只对疲劳或压力中的一种进行监测，无法全面的反映出精神负面状态。

鉴于上述问题的存在，本设计人基于从事此类产品工程应用多年丰富的实务经验及专业知识，并配合学理的运用，积极加以研究创新，以期创设一种智能安全帽的压力、疲劳信息监测方法，使其更具有实用性。

发明内容

本发明所要解决的技术问题是：提供一种智能安全帽的压力、疲劳信息监测方法，实现精神负面状态的监测。

为了达到上述目的，本发明所采用的技术方案是：一种智能安全帽的压力、疲劳信息监测方法，包括如下步骤：

步骤S10：通过智能安全帽对工人采集脑电信号；

步骤S20：对采集的信号进行预处理，先去除基线漂移和工频干扰，再使用小波阈值法去除噪音；

步骤S30：对预处理之后的信号在时域、频域和非线性域进行特征提取；其中时域特征为均值、均方根、过零点数和Hjorth参数；频域特征为频域指标和中值频率；非线性域特征为样本熵；

步骤S40：采用最大相关最小冗余算法进行特征选择，分别对疲劳检测和压力检测相关特征进行选择与保留；

步骤S50：通过BP神经网络分别对疲劳检测和压力检测进行识别与训练，将特征值设置为输入层的神经单元，构建疲劳等级F、压力等级P，并建立精神状态评估方程：

S＝e^F-1+P (1)

式中，S为精神状态指标；

步骤S60：对工人疲劳等级F、压力等级P和精神状态指标S进行综合评估，判断工人精神状态。

进一步地，所述步骤S10中，先对工人预采集正常、压力和疲劳的数据，具体为：

步骤S11：在工人非工作的平静状态下佩戴智能安全帽一段时间，同时采集脑电信号，将其作为自然状态下的脑电参考信号；

步骤S12：在工人进入工作状态后，将其标记为进入压力状态，同时持续采集脑电信号，并要求工人关注自身精神状态，在每完成一个阶段的任务后，填写主观疲劳评价表和主观压力评价表；

步骤S13：当评价表显示工人已经有疲劳趋向时，在下一个工作任务阶段开始标记疲劳；

步骤S14：将产生的个人数据传送到处理终端形成个人个性化数据，在后续工作中，将处理的脑电信号对其参考。

进一步地，所述步骤S20中，使用小波阈值法去除噪音时，在正负λ之间构造一个接近于0的函数，具体为：

式中，

表示经过小波阈值处理后的小波系数，w_j,k是小波阈值处理前的小波系数，λ为滤波阈值，N为信号采样长度，δ为噪声的均方差。

进一步地，所述步骤S30中，包括如下具体步骤：

步骤S31：对时域特征进行计算：

均值：

均方根：

过零点次数：

Hjorth参数：

活动性参数Activity：

移动性参数Mobility：

复杂性参数Complexity：

式中，σ_a是离散序列的标准差，σ_b和σ_c分别是一阶导数标准差和二阶导数的标准差；

步骤S32：在计算频域特征之前，先进行离散的haar小波包变换，记录对应的小波包系数集，选择与θ波、α波、β波频率范围相关的小波包系数进行重构，其中θ波频率为4-8Hz，幅度为5-20μV；α波频率为8-13Hz，幅度为20-100μV；β波频率为13-30Hz，幅度为100-150μV；将其细分为α₁、α₂和θ₁、θ₂波段进行特征提取，其中α₁频率为8-11Hz、α₂频率为11-13Hz和θ₁频率为4-6Hz、θ₂频率为6-8Hz；

步骤S33：对频域特征进行计算：

先计算相对功率谱：

式中，ω_α1表示α₁频段的相对功率谱，P_α1表示α₁频段的功率谱密度；ω_α2表示α₂频段的相对功率谱，P_α2表示α₂频段的功率谱密度；ω_θ1表示θ₁频段的相对功率谱，P_θ1表示θ₁频段的功率谱密度；ω_θ2表示θ₂频段的相对功率谱，P_θ2表示θ₂频段的功率谱密度；ω_β表示β频段的相对功率谱，P_β表示β频段的功率谱密度；

根据相对功率谱构造频域指标：

式中F₁、F₂和F₃不同频段相对功率谱组合的比值；

计算脑电信号整体的中值频率：

式中，P(f)是功率谱密度函数；

步骤S34：计算非线性域特征样本熵：

原始数据集为{X_i}＝{X₁，X₂，…，X_n}，记总长度为N，设嵌入维数为m，相似容限为r，依据原始信号重构一个相似容限r和m维向量X_i＝[X_i，X_i+1，…，X_i+m-1]，定义x_i与x_j距离d_ij为两者对应元素差值绝对值的最大值，即

d_ij＝d[x_i,x_j]＝max[|x_i+k-x_j+k|]，k∈(0,m-1) (19)

对于每一个i，计算X_i与其余向量的距离d_ij，统计d_ij小于r的数目及此数目与距离总数N-m-1的比值，记作

再求

的平均值B^m(r),令维数m+1，重复上述步骤，得到B^m+1(r)；

则得到样本熵：

SampEn(m,r,N)＝ln(B^m(r))-ln(B^m+1(r)) (20)

式中，r是系数，取0.25，m是向量维数，取1。

进一步地，所述步骤S40中，最大相关最小冗余算法具体为：

假设生理电信号提取出的维数一共是k维，对k维特征进行归一化处理，特征表示为f₁,f₂,…,f_k,对应值域为X_i；用z表示受试者不同状态，从两个角度将其按照疲劳等级和压力等级分级，值域X_j；

特征与不同状态之间的互信息为：

式中，q(x_i,x_j)表示特征f_i取值为x_i且状态z取值为x_j的概率，q(x_i)表示特征f_i取值为x_i的概率，q(x_j)表示状态z取值为v_j的概率；

设S表示特征{f_i}的集合，|S|＝m，为了选出m个最相关特征，则S应满足

式中，D表示相关度，目标是选出m个平均互信息最大的集合S；考虑到特征之间可能存在冗余，要使得特征之间的冗余度最小，提出以下优化目标：

所以最终的目标是求出拥有最大相关度和最小冗余度的特征集合S，对下式进行优化：

maxΦ(D,R),Φ＝D-R (24)

根据互信息判断特征与状态之间的关联度，以特征类别最大相关性和特征之间最小冗余度进行特征选择。

进一步地，所述步骤S40中，选择和保留的特征为：

疲劳检测：Hjorth参数activity、mobility和complexity、中值频率、频域指标F₁和F₂、样本熵；

压力检测：Hjorth参数mobility、中值频率、频域指标F₂和F₃，样本熵。

进一步地，所述步骤S50中，使用BP神经网络对疲劳检测进行识别时，引入动量因子η调节学习率的变化，且0＜η＜1，具体学习算法为：

w_ij(k+1)＝w_ij(k)+Aw_ij(k+1) (26)

式中，Δw_ij(k)表示第k次训练过程中：前一层第i个神经元到后一层第j个神经元的逆传播误差值，w_ij(k)表示第k次训练过程中：前一层第i个神经元到后一层第j个神经元的连接权重，E(k)表示在第k次训练中，神经网络的总体均方误差，δ表示学习率。

进一步地，在步骤S50中，将疲劳等级F划分为4个等级，具体为：正常0、轻度疲劳1、中度疲劳2、重度疲劳3，在进行疲劳等级训练时，选取疲劳检测的特征，将BP神经网络算法模型中输入层设置为7个神经单元，输出层设置为4个神经单元，隐含层设置为16个神经单元；

将压力等级P划分为4个等级，具体为：无压力0、轻度压力1、中度压力2、重度压力3，在进行压力等级训练时，选取压力检测的特征，将BP神经网络算法模型中输入层设置为5个神经单元，输出层设置为4个神经单元，隐含层设置为12个神经单元。

进一步地，在进行训练时，先使用随机函数将参数初始化为一组随机值，且取值范围位于[-0.5，0.5]之间；

输入层激活函数选取tansig函数，输出层激活函数选取Logistic函数，代价函数选取负对数似然函数。

进一步地，在步骤S60中，根据精神状态评估方程，对精神状态指标S、疲劳等级F和压力等级P进行阈值划分，并将其划分为不同等级；

当疲劳等级超过设定阈值，压力等级超过设定阈值或精神状态指标超过设定阈值时，判定为精神状态较差，并对工人进行提醒，建议其休息。

本发明的有益效果为：本发明中通过采集脑电信号，并从时域、频域和非线性域提取脑电信号特征，从多维度对脑电信号进行全面分析，且将疲劳检测和压力检测分别进行相关特征的选择和保留，并构建精神状态评估方程，从疲劳与压力方面对精神状态综合评估，增加评估的准确性，从而保证了工人的精神状态，避免安全事故的发生。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1为本发明方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

如图1所示，一种智能安全帽的压力、疲劳信息监测方法，包括如下步骤：包括如下步骤：

步骤S10：通过智能安全帽对工人采集脑电信号；

步骤S20：对采集的信号进行预处理，先去除基线漂移和工频干扰，再使用小波阈值法去除噪音；

步骤S30：对预处理之后的信号在时域、频域和非线性域进行特征提取；其中时域特征为均值、均方根、过零点数和Hjorth参数；频域特征为频域指标和中值频率；非线性域特征为样本熵；

步骤S40：采用最大相关最小冗余算法进行特征选择，分别对疲劳检测和压力检测相关特征进行选择与保留；

步骤S50：通过BP神经网络分别对疲劳检测和压力检测进行识别与训练，将特征值设置为输入层的神经单元，构建疲劳等级F、压力等级P，并建立精神状态评估方程：

S＝e^F-1+P (1)

式中，S为精神状态指标；

步骤S60：对工人疲劳等级F、压力等级P和精神状态指标S进行综合评估，判断工人精神状态。

通过采集脑电信号，并从时域、频域和非线性域提取脑电信号特征，从多维度对脑电信号进行全面分析，且将疲劳检测和压力检测分别进行相关特征的选择和保留，并构建精神状态评估方程，从疲劳与压力方面对精神状态综合评估，增加评估的准确性，从而保证了工人的精神状态，避免安全事故的发生。

作为上述实施例的优选，步骤S10中，先对工人预采集正常、压力和疲劳的数据，具体为：

步骤S11：在工人非工作的平静状态下佩戴智能安全帽一段时间，同时采集脑电信号，将其作为自然状态下的脑电参考信号；

步骤S12：在工人进入工作状态后，将其标记为进入压力状态，同时持续采集脑电信号，并要求工人关注自身精神状态，在每完成一个阶段的任务后，填写主观疲劳评价表和主观压力评价表；

步骤S13：当评价表显示工人已经有疲劳趋向时，在下一个工作任务阶段开始标记疲劳；

步骤S14：将产生的个人数据传送到处理终端形成个人个性化数据，在后续工作中，将处理的脑电信号对其参考。

通过首次佩戴智能安全帽并进行校准，将产生的个人数据传送到处理终端，形成个人个性化数据，后续智能安全帽可直接佩戴使用，从而进行实时监测工人的精神状态。

信号预处理时，可使用高通滤波器和50Hz陷波器去除基线漂移和工频干扰，再进一步采用小波阈值法去除其他噪音。

作为上述实施例的优选，步骤S20中，使用小波阈值法去除噪音时，在正负λ之间构造一个接近于0的函数，具体为：

式中，

表示经过小波阈值处理后的小波系数，w_j,k是小波阈值处理前的小波系数，λ为滤波阈值，N为信号采样长度，δ为噪声的均方差。

小波阈值法包括小波硬阈值法和小波软阈值法，对于分解后的小波系数，较大的小波系数一般包含了较多的有效信息，需要进行保留，而较小的小波系数表示是噪音的分解量，在小波硬阈值法中，将较小的小波系数置为0，在小波软阈值法中，将较小的小波系数置于0，将正区间内超过阈值的小波系数减去阈值，负区间内超过阈值的小波系数加上阈值。

在小波硬阈值法中，信号在正负λ处不连续，在信号重构时会出现明显的震荡，在小波软阈值法中，虽然处理后的信号的平滑度得到了改善，但是由于有用的小波系数减去了λ，会使小波系数有较大的变化，造成信号失真。

而在正负λ处构造接近于0的函数，使得在正负λ处使得函数整体具有连续性，且对于较大的小波系数，改进的小波阈值法只减去了一个接近λ2的值，减少了小波系数的变化，即减少了信号的失真度。

作为上述实施例的优选，步骤S30中，包括如下具体步骤：

步骤S31：对时域特征进行计算：

均值：

均方根：

过零点次数：

Hjorth参数：

活动性参数Activity：

移动性参数Mobility：

复杂性参数Complexity：

式中，σ_a是离散序列的标准差，σ_b和σ_c分别是一阶导数标准差和二阶导数的标准差；

在时域进行特征提取是最经典、快捷的方法，时域特征表征了脑电信号随时间变化的情况，同时也能反映出脑电信号的统计特征。其中Hjorth的三个参数是基于方差的计算，其计算过程简单，分别反映功率，斜率，正余弦函数相似性。

尽管Hjorth参数是在时域中定义的，但它们也可以在频域中解释。活动性参数(Activity)是信号的总功率，它也是频域功率谱的表现。移动性参数(Mobility)被确定为信号的一阶导数与信号的一阶导数的方差之比的平方根，该参数与功率谱的标准偏差成正比，这是平均频率的估计。复杂性参数(Complexity)给出了信号带宽的估计值，表明信号形状与纯正弦波的相似性。由于Hjorth参数的计算是基于方差的，所以这种方法的计算成本很低。

步骤S32：在计算频域特征之前，先进行离散的haar小波包变换，记录对应的小波包系数集，选择与θ波、α波、β波频率范围相关的小波包系数进行重构，其中θ波频率为4-8Hz，幅度为5-20μV；α波频率为8-13Hz，幅度为20-100μV；β波频率为13-30Hz，幅度为100-150μV；将其细分为α₁、α₂和θ₁、θ₂波段进行特征提取，其中α₁频率为8-11Hz、α₂频率为11-13Hz和θ₁频率为4-6Hz、θ₂频率为6-8Hz；

在时频分析方面，进行离散的haar小波包变换，记录对应的小波包系数集，选择与θ波(4-8Hz，幅度为5-20μV)、α波(8-13Hz，幅度为20-100μV)、β波(13-30Hz，幅度为100-150μV)频率范围相关的小波包系数进行重构，其中α和θ波段与疲劳密切相关，将其细分为α₁(8-11Hz)、α₂(11-13Hz)和θ₁(4-6Hz)、θ₂(6-8Hz)波段进行特征提取，小波包分解时可对小波包树进行裁剪减少运算量，提升处理速度。

步骤S33：对频域特征进行计算：频域分析主要包含脑电信号的功率谱和频谱特性，可以定量地描述脑电信号在不同频率上的特点。在频域计算各个子频带的功率谱，进而计算相对功率谱，相对功率谱之和为1，因此只将α₁、α₂和θ₁、θ₂波段计入特征即可，降低冗余度。

先计算相对功率谱：

式中，ω_α1表示α₁频段的相对功率谱，P_α1表示α₁频段的功率谱密度；ω_α2表示α₂频段的相对功率谱，P_α2表示α₂频段的功率谱密度；ω_θ1表示θ₁频段的相对功率谱，P_θ1表示θ₁频段的功率谱密度；ω_θ2表示θ₂频段的相对功率谱，P_θ2表示θ₂频段的功率谱密度；ω_β表示β频段的相对功率谱，P_β表示β频段的功率谱密度；

根据相对功率谱构造频域指标：

其中F₁、F₂和F₃不同频段相对功率谱组合的比值，构造F₁、F₂和F₃来反映不同频段的能量变化；

计算脑电信号整体的中值频率：

式中，P(f)是功率谱密度函数；

步骤S34：计算非线性域特征样本熵：

样本熵是基于近似熵的一种用于度量时间序列复杂性的改进方法，在评估生理时间序列的复杂性等方面应用较多。

原始数据集为{X_i}＝{X₁,X₂,…,X_n}，记总长度为N，设嵌入维数为m，相似容限为r，依据原始信号重构一个相似容限r和m维向量X_i＝[X_i,X_i+1,…,X_i+m-1]，定义x_i与x_j距离d_ij为两者对应元素差值绝对值的最大值，即

d_ij＝d[x_i,x_j]＝max[|x_i+k-x_j+k|]，k∈(0,m-1) (19)

对于每一个i，计算X_i与其余向量的距离d_ij，统计d_ij小于r的数目及此数目与距离总数N-m-1的比值，记作

再求

的平均值B^m(r),令维数m+1，重复上述步骤，得到B^m+1(r)；

则得到样本熵：

SampEn(m,r,N)＝ln(B^m(r))-ln(B^m+1(r)) (20)

式中，r是系数，取0.25，m是向量维数，取1。

作为上述实施例的优选，步骤S40中，最大相关最小冗余算法具体为：

假设生理电信号提取出的维数一共是k维，对k维特征进行归一化处理，特征表示为f₁,f₂,…,f_k,对应值域为X_i；用z表示受试者不同状态，从两个角度将其按照疲劳等级和压力等级分级，值域X_j；

特征与不同状态之间的互信息为：

式中，q(x_i,x_j)表示特征f_i取值为x_i且状态z取值为x_j的概率，q(x_i)表示特征f_i取值为x_i的概率，q(x_j)表示状态z取值为v_j的概率；

设S表示特征{f_i}的集合，|S|＝m，为了选出m个最相关特征，则S应满足

式中，D表示相关度，目标是选出m个平均互信息最大的集合S；考虑到特征之间可能存在冗余，要使得特征之间的冗余度最小，提出以下优化目标：

所以最终的目标是求出拥有最大相关度和最小冗余度的特征集合S，对下式进行优化：

maxΦ(D,R),Φ＝D-R (24)

根据互信息判断特征与状态之间的关联度，以特征类别最大相关性和特征之间最小冗余度进行特征选择，可以有效选择处疲劳与压力的相关特征。

作为上述实施例的优选，步骤S40中，选择和保留的特征为：

疲劳检测：Hjorth参数activity、mobility和complexity、中值频率、频域指标F₁和F₂、样本熵；

压力检测：Hjorth参数mobility、中值频率、频域指标F₂和F₃，样本熵。

作为上述实施例的优选，步骤S50中，使用BP神经网络对疲劳检测进行识别时，引入动量因子η调节学习率的变化，且0＜η＜1，具体学习算法为：

w_ij(k+1)＝w_ij(k)+Aw_ij(k+1) (26)

式中，Δw_ij(k)表示第k次训练过程中：前一层第i个神经元到后一层第j个神经元的逆传播误差值，w_ij(k)表示第k次训练过程中：前一层第i个神经元到后一层第j个神经元的连接权重，E(k)表示在第k次训练中，神经网络的总体均方误差，δ表示学习率。

BP神经网络的运算速度受到网络层数、神经元数，梯度下降法学习率的影响。通过引入动量因子η，算法通过前一次修正结果决定本次学习率的修正量，当前一次的修正量过大时，则修正变化量的符号与前一次的修正量的符号将相反，实现修正量的减少，起到减小震荡的作用，当前一次修正量太小，则修正变化量的符号与前一次相同，使得本次修正值增大，加速梯度下降的过程。

作为上述实施例的优选，在步骤S50中，将疲劳等级F划分为4个等级，具体为：正常0、轻度疲劳1、中度疲劳2、重度疲劳3，在进行疲劳等级训练时，选取疲劳检测的特征，将BP神经网络算法模型中输入层设置为7个神经单元，输出层设置为4个神经单元，隐含层设置为16个神经单元；

在训练时可以使用MATLAB自带的神经网络工具箱实现算法模型的训练，在此基础上对模型结构及参数进行选择。在疲劳检测中，特征向量中共包含7个特征值，因此输入层包含7个神经单元，将疲劳等级划分为4个等级，所以输出层包含4个神经单元，隐含层的层数与相应神经元数量的选取对于神经网络具有重要的意义。综合考虑训练结果和训练的时效性，确定隐含层为16个神经元时，训练效果较好。

将压力等级P划分为4个等级，具体为：无压力0、轻度压力1、中度压力2、重度压力3，在进行压力等级训练时，选取压力检测的特征，将BP神经网络算法模型中输入层设置为5个神经单元，输出层设置为4个神经单元，隐含层设置为12个神经单元。

对应的，压力检测中，特征向量中共包含5个特征值，因此输入层包含5个神经单元，将压力等级划分为4个等级，所以输出层包含4个神经单元，隐含层为12个神经元时，训练效果较好。

作为上述实施例的优选，在进行训练时，先使用随机函数将参数初始化为一组随机值，且取值范围位于[-0.5，0.5]之间；

输入层激活函数选取tansig函数，输出层激活函数选取Logistic函数，代价函数选取负对数似然函数。

BP神经网络的目的就是通过调节权重及偏差参数使损失函数具有最小值，为了使神经网络具备学习能力必须将参数初始化为一组非零的值，此处通过采用随机函数法令其取范围在[-0.5，0.5]之间的随机值。神经网络中激活函数的选取往往决定了网络结构的稳定性，为了避免激活函数在反向传播过程中梯度衰减引发的梯度消失，造成网络的不稳定。特选取tansig函数作为输入层激活函数，保证稳定性的同时提高网络的训练速度，选取Logistic函数作为输出层激活函数。代价函数选取负对数似然函数，相比于平方代价函数，负对数似然函数是凸函数，能够有效地避免网络收敛至局部最优解。

作为上述实施例的优选，在步骤S60中，根据精神状态评估方程，对精神状态指标S、疲劳等级F和压力等级P进行阈值划分，并将其划分为不同等级；

持续的压力作用会导致疲劳，疲劳状态包含了之前持续压力的累积效果，对精神状态的负面影响更大，当前的压力状态对综合的精神状态具有一定的扰动作用。因此综合考虑疲劳、压力对于精神状态的负面影响，建立精神状态评估方程：

S＝e^F-1+P (1)

其中S精神状态指标，表示负面精神状态的数值指标，数值越大表示精神状态越差。F表示疲劳程度，只有4种取值0，1，2，3，数值越大疲劳程度越大；P表示压力程度，只有4种取值0，1，2，3，数值越大压力程度越大。并可以根据所有可能组合结果进行阈值划分，根据需要可将负面精神状态划分为不同等级。

当疲劳等级超过设定阈值，压力等级超过设定阈值或精神状态指标超过设定阈值时，判定为精神状态较差，并对工人进行提醒，建议其休息，从而保证工人的精神状态，防止安全事故的发生。

本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

本方法并不只局限于智能安全帽设备，基于本方法的实际应用，只要不偏离本发明提出的算法，亦属于本发明的范围，如基于本算法提出一种精神状态评估的便携式穿戴装备或处理系统，如头带、头戴式耳机等。

Claims (10)

1.一种智能安全帽的压力、疲劳信息监测方法，其特征在于，包括如下步骤：

步骤S10：通过智能安全帽对工人采集脑电信号；

步骤S20：对采集的信号进行预处理，先去除基线漂移和工频干扰，再使用小波阈值法去除噪音；

步骤S30：对预处理之后的信号在时域、频域和非线性域进行特征提取；其中时域特征为均值、均方根、过零点数和Hjorth参数；频域特征为频域指标和中值频率；非线性域特征为样本熵；

步骤S40：采用最大相关最小冗余算法进行特征选择，分别对疲劳检测和压力检测相关特征进行选择与保留；

步骤S50：通过BP神经网络分别对疲劳检测和压力检测进行识别与训练，将特征值设置为输入层的神经单元，构建疲劳等级F、压力等级P，并建立精神状态评估方程：

S＝e^F-1+P (1)

式中，S为精神状态指标；

步骤S60：对工人疲劳等级F、压力等级P和精神状态指标S进行综合评估，判断工人精神状态。

2.根据权利要求1所述的智能安全帽的压力、疲劳信息监测方法，其特征在于，所述步骤S10中，先对工人预采集正常、压力和疲劳的数据，具体为：

步骤S11：在工人非工作的平静状态下佩戴智能安全帽一段时间，同时采集脑电信号，将其作为自然状态下的脑电参考信号；

步骤S12：在工人进入工作状态后，将其标记为进入压力状态，同时持续采集脑电信号，并要求工人关注自身精神状态，在每完成一个阶段的任务后，填写主观疲劳评价表和主观压力评价表；

步骤S13：当评价表显示工人已经有疲劳趋向时，在下一个工作任务阶段开始标记疲劳；

步骤S14：将产生的个人数据传送到处理终端形成个人个性化数据，在后续工作中，将处理的脑电信号对其参考。

3.根据权利要求2所述的智能安全帽的压力、疲劳信息监测方法，其特征在于，所述步骤S20中，使用小波阈值法去除噪音时，在正负λ之间构造一个接近于0的函数，具体为：

式中，

表示经过小波阈值处理后的小波系数，w_j,k是小波阈值处理前的小波系数，λ为滤波阈值，N为信号采样长度，δ为噪声的均方差。

4.根据权利要求1所述的智能安全帽的压力、疲劳信息监测方法，其特征在于，所述步骤S30中，包括如下具体步骤：

步骤S31：对时域特征进行计算：

均值：

均方根：

过零点次数：

Hjorth参数：

活动性参数Activity：

移动性参数Mobility：

复杂性参数Complexity：

式中，σ_a是离散序列的标准差，σ_b和σ_c分别是一阶导数标准差和二阶导数的标准差；

步骤S32：在计算频域特征之前，先进行离散的haar小波包变换，记录对应的小波包系数集，选择与θ波、α波、β波频率范围相关的小波包系数进行重构，其中θ波频率为4-8Hz，幅度为5-20μV；α波频率为8-13Hz，幅度为20-100μV；β波频率为13-30Hz，幅度为100-150μV；将其细分为α₁、α₂和θ₁、θ₂波段进行特征提取，其中α₁频率为8-11Hz、α₂频率为11-13Hz和θ₁频率为4-6Hz、θ₂频率为6-8Hz；

步骤S33：对频域特征进行计算：

先计算相对功率谱：

式中，ω_α1表示α₁频段的相对功率谱，P_α1表示α₁频段的功率谱密度；ω_α2表示α₂频段的相对功率谱，P_α2表示α₂频段的功率谱密度；ω_θ1表示θ₁频段的相对功率谱，P_θ1表示θ₁频段的功率谱密度；ω_θ2表示θ₂频段的相对功率谱，P_θ2表示θ₂频段的功率谱密度；ω_β表示β频段的相对功率谱，P_β表示β频段的功率谱密度；

根据相对功率谱构造频域指标：

式中，F₁、F₂和F₃为不同频段相对功率谱组合的比值；

计算脑电信号整体的中值频率：

式中，P(f)是功率谱密度函数；

步骤S34：计算非线性域特征样本熵：

原始数据集为{X_i}＝{X₁,X₂,…,X_n}，记总长度为N，设嵌入维数为m，相似容限为r，依据原始信号重构一个相似容限r和m维向量X_i＝[X_i,X_i+1,…,X_i+m-1]，定义x_i与x_j距离d_ij为两者对应元素差值绝对值的最大值，即

d_ij＝d[x_i,x_j]＝max[|x_i+k-x_j+k|]，k∈(0,m-1) (19)

对于每一个i，计算X_i与其余向量的距离d_ij，统计d_ij小于r的数目及此数目与距离总数N-m-1的比值，记作

再求

的平均值B^m(r),令维数m+1，重复上述步骤，得到B^m+1(r)；

则得到样本熵：

SampEn(m,r,N)＝ln(B^m(r))-ln(B^m+1(r)) (20)

式中，r是系数，取0.25，m是向量维数，取1。

5.根据权利要求4所述的智能安全帽的压力、疲劳信息监测方法，其特征在于，所述步骤S40中，最大相关最小冗余算法具体为：

假设生理电信号提取出的维数一共是k维，对k维特征进行归一化处理，特征表示为f₁,f₂,…,f_k,对应值域为X_i；用z表示受试者不同状态，从两个角度将其按照疲劳等级和压力等级分级，值域X_j；

特征与不同状态之间的互信息为：

式中，q(x_i,x_j)表示特征f_i取值为x_i且状态z取值为x_j的概率，q(x_i)表示特征f_i取值为x_i的概率，q(x_j)表示状态z取值为v_j的概率；

设S表示特征{f_i}的集合，|S|＝m，为了选出m个最相关特征，则S应满足

式中，D表示相关度，目标是选出m个平均互信息最大的集合S；

考虑到特征之间可能存在冗余，要使得特征之间的冗余度最小，提出以下优化目标：

所以最终的目标是求出拥有最大相关度和最小冗余度的特征集合S，对下式进行优化：

maxΦ(D,R),Φ＝D-R (24)

根据互信息判断特征与状态之间的关联度，以特征类别最大相关性和特征之间最小冗余度进行特征选择。

6.根据权利要求5所述的智能安全帽的压力、疲劳信息监测方法，其特征在于，所述步骤S40中，选择和保留的特征为：

疲劳检测：Hjorth参数activity、mobility和complexity、中值频率、频域指标F₁和F₂、样本熵；

压力检测：Hjorth参数mobility、中值频率、频域指标F₂和F₃，样本熵。

7.根据权利要求6所述的智能安全帽的压力、疲劳信息监测方法，其特征在于，所述步骤S50中，使用BP神经网络对疲劳检测进行识别时，引入动量因子η调节学习率的变化，且0＜η＜1，具体学习算法为：

w_ij(k+1)＝w_ij(k)+Δw_ij(k+1) (26)

式中，Δw_ij(k)表示第k次训练过程中：前一层第i个神经元到后一层第j个神经元的逆传播误差值，w_ij(k)表示第k次训练过程中：前一层第i个神经元到后一层第j个神经元的连接权重，E(k)表示在第k次训练中，神经网络的总体均方误差，δ表示学习率。

8.根据权利要求7所述的智能安全帽的压力、疲劳信息监测方法，其特征在于，在所述步骤S50中，将疲劳等级F划分为4个等级，具体为：正常0、轻度疲劳1、中度疲劳2、重度疲劳3，在进行疲劳等级训练时，选取疲劳检测的特征，将BP神经网络算法模型中输入层设置为7个神经单元，输出层设置为4个神经单元，隐含层设置为16个神经单元；

将压力等级P划分为4个等级，具体为：无压力0、轻度压力1、中度压力2、重度压力3，在进行压力等级训练时，选取压力检测的特征，将BP神经网络算法模型中输入层设置为5个神经单元，输出层设置为4个神经单元，隐含层设置为12个神经单元。

9.根据权利要求8所述的智能安全帽的压力、疲劳信息监测方法，其特征在于，在进行训练时，先使用随机函数将参数初始化为一组随机值，且取值范围位于[-0.5，0.5]之间；

输入层激活函数选取tansig函数，输出层激活函数选取Logistic函数，代价函数选取负对数似然函数。

10.根据权利要求1所述的智能安全帽的压力、疲劳信息监测方法，其特征在于，在所述步骤S60中，根据精神状态评估方程，对精神状态指标S、疲劳等级F和压力等级P进行阈值划分，并将其划分为不同等级；

当疲劳等级超过设定阈值，压力等级超过设定阈值或精神状态指标超过设定阈值时，判定为精神状态较差，并对工人进行提醒，建议其休息。

Images