CN113261977A - 一种基于参数优化多尺度排列熵的疲劳脑电特征提取方法 - Google Patents

Abstract

本发明公开了一种基于参数优化多尺度排列熵的疲劳脑电特征提取方法，所述方法包括：采集受试者各脑区的脑电信号；对采集到的脑电信号进行预处理，得到预处理后的脑电信号；利用遗传算法运算得到多尺度排列熵的最佳参数；基于运算得到的多尺度排列熵的最佳参数，对预处理后的脑电信号进行多尺度排列熵特征提取，得到脑电信号的特征数据集；使用支持向量机对特征数据集进行特征分类，提取到疲劳脑电的脑电特征。本发明能够提高疲劳脑电特征提取的准确度。

Description

一种基于参数优化多尺度排列熵的疲劳脑电特征提取方法

技术领域

本发明涉及一种基于参数优化多尺度排列熵的疲劳脑电特征提取方法，属于数字信号处理技术领域。

背景技术

生理性精神疲劳，现已成为城市中的重要问题，严重威胁着人们的身体健康和生命财产安全。在交通驾驶、航空航天活动、人机系统监控等工作中，操控人员精神疲劳引起的瞬间的注意力分散、反应迟缓或协调性不够，都可能导致极为严重的事故。因此，疲劳脑电的分析和预防工作就变得尤为重要。

疲劳检测是指利用一定的技术手段检测出人体所处的疲劳状态，方法主要有主观评定法和客观评定法。评定方法是依据评定指标的来源进行划分的，来自受试者的主观感受称为主观评定法，来自客观生理指标的测量和纪录称为客观评定法。

主观评定法主要通过问卷调查方式实现，被测对象对问题进行评分，分数即可反映被测对象的疲劳程度,评分越高代表疲劳程度越严重。主观评定法的优点是操作简单，只需根据主观印象填表即可完成评定，缺点是过于主观的测评会导致主客观的脱离，评定结果不全面。客观评定法是指借助于检测设备观察记录人体生理、生化、行为等方面指标变化情况并依此进行评测的方法。客观评定法不受其他人为因素的影响，结果更加客观全面。客观评定法可根据评定指标的不同划分为三种：(1)心理学、行为学、指标评定法；(2)生化学指标评定法；(3)生理学指标评定法。在三种评定方法中，生理学指标脑电信号由于直反映大脑的相关活动，而被认为是分析脑电信号的最可靠的指标，广泛应用于精神疲劳的各项研究。EEG信号是通过收集放置在头皮上的电极的电位变化来反映大脑皮层的活动的重要生理信号。由于与认知刺激的显著关系，EEG信号已被评估为检测认知任务引起的精神疲劳的最合适的方法之一。

在传统的多尺度排列熵算法中，参数的设定主要依赖于人为经验，在疲劳脑电特征提取的过程中，不可避免地存在误差，影响疲劳状态的分类。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于参数优化多尺度排列熵的疲劳脑电特征提取方法，能够提高疲劳脑电特征提取的准确度。为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种基于参数优化多尺度排列熵的疲劳脑电特征提取方法，所述方法包括：

采集受试者各脑区的脑电信号；

对采集到的脑电信号进行预处理，得到预处理后的脑电信号；

根据预处理后的脑电信号，利用遗传算法运算得到多尺度排列熵的最佳参数；

基于运算得到的多尺度排列熵的最佳参数，对预处理后的脑电信号进行多尺度排列熵特征提取，得到脑电信号的特征数据集；

使用支持向量机对特征数据集进行特征分类，提取到疲劳脑电的脑电特征。

结合第一方面，进一步地，采集受试者各脑区的脑电信号，包括：

受试者完成疲劳任务，利用置于大脑头皮各部位的电极采集完成任务的时间内受试者从清醒到重度疲惫状态下相应脑区的脑电信号；

将采集到的脑电信号进行放大和模数转换，以数字信号存储在计算机中，即为采集到的受试者各脑区的脑电信号。

结合第一方面，优选地，置于大脑头皮各部位的电极的放置方法为：采用国际脑电图学会标定的10-20电极导联定位标准，用双耳垂接法，导联放置区域包括：FP1、FP2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6、FZ、CZ、PZ，其中参考电极选取M1、M2，采样频率为512HZ，各通道导联阻抗均小于5k。

结合第一方面，优选地，使用Neuroscan64设备采集脑电信号，并将采集到的脑电信号进行放大和模数转换，再输入到计算机中存储。

结合第一方面，优选地，还包括记录受试者完成疲劳任务中各阶段的主观数据和行为数据。

结合第一方面，进一步地，对采集到的脑电信号进行预处理包括：

利用低通滤波器对采集到的脑电信号进行线性矫正，去除基线漂移和工频干扰；

采用独立分量分析算法，去除眼电伪迹。

结合第一方面，优选地，还包括对受试者完成疲劳任务中各阶段的主观数据和行为数据进行预处理，包括：使用SPSS13.0软件对各阶段的主观数据和行为数据求平均，并进行配对T检验

结合第一方面，进一步地，利用遗传算法运算得到多尺度排列熵的最佳参数，包括：

初始化遗传算法的参数；

设置多尺度排列熵各参数的范围；

选取多尺度排列熵偏度的平方函数作为遗传算法的目标函数，其中，所述多尺度排列熵偏度通过下式表示：

式(1)中，

为时间序列X所有尺度下的排列熵组成序列，表示为：

式(1)和(2)中，

为序列

的均值，

为序列

的标准差；

设置遗传算法的适应度函数：

基于多尺度排列熵各参数的范围和遗传算法的适应度函数，以目标函数最小为目标，运算得到多尺度排列熵的最佳参数。

结合第一方面，进一步地，多尺度排列熵各参数的范围包括：嵌入维数m，取值范围为m＝2～7；延迟时间t，取值范围为t＝1～5；尺度因子s，取值范围为s＝1～20。

结合第一方面，进一步地，对预处理后的脑电信号进行多尺度排列熵特征提取，包括：

对序列长度为N的时间序列X＝{x_i,i＝1,2,…,N}进行粗粒化处理，得到粗粒化序列y_j ^(s)，粗粒化处理表示为：

式(4)中，s为初度因子；

表示对

取整；

对y_j ^(s)进行时间重构得到：

式(5)中，m为嵌入维数，t为延迟时间，l为第l个重构分量，满足：l＝1,2,…,N-(m-1)t；

将时间重构序列按升序排列，得到符号序列S(t)＝(l₁,l₂,...,l_m)，其中t＝1,2,...,R且R≤m！，计算每一种符号序列出现的概率P_t；

根据如下式计算每个粗粒化序列的排列熵，由此得到时间序列在多尺度排列熵：

当

时，H_p(m)达到最大值In(m！)，将多尺度排列熵H_p(m)进行归一化处理，即：

式(7)中，

为归一化处理后的排列熵值，即为脑电信号的特征数据。

结合第一方面，进一步地，使用支持向量机对特征数据集进行特征分类，提取到疲劳脑电的脑电特征，包括：

为特征数据集添加标签列，该标签列包括等级0、等级1、等级2、等级3，依次对应清醒、轻度疲劳、中度疲劳、重度疲劳四个疲劳等级；

将添加完标签列的特征数据集输入支持向量机进行特征分类，识别疲劳脑电，提取到疲劳脑电的脑电特征。

结合第一方面，优选地，四个疲劳等级是依据预处理后的受试者完成疲劳任务中各阶段的主观数据和行为数据划分的。

第二方面，本发明提供了一种基于参数优化多尺度排列熵的疲劳脑电特征提取系统，包括：

采集模块：用于采集受试者各脑区的脑电信号；

预处理模块：用于对采集到的脑电信号进行预处理，得到预处理后的脑电信号；

最优参数模块：用于根据预处理后的脑电信号，利用遗传算法运算得到多尺度排列熵的最佳参数；

多尺度排列熵特征提取模块：用于基于运算得到的多尺度排列熵的最佳参数，对预处理后的脑电信号进行多尺度排列熵特征提取，得到脑电信号的特征数据集；

疲劳脑电的脑电特征提取模块：用于使用支持向量机对特征数据集进行特征分类，提取到疲劳脑电的脑电特征。

第三方面，本发明提供了一种基于参数优化多尺度排列熵的疲劳脑电特征提取装置，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。

第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。

与现有技术相比，本发明实施例所提供的一种基于参数优化多尺度排列熵的疲劳脑电特征提取方法所达到的有益效果包括：

本发明根据预处理后的脑电信号，利用遗传算法运算得到多尺度排列熵的最佳参数；基于运算得到的多尺度排列熵的最佳参数，对预处理后的脑电信号进行多尺度排列熵特征提取，得到脑电信号的特征数据集；能够减少人为经验下的参数设定造成提取的特征信息不准确的情况，与传统的多尺度排列熵人为经验下设定参数相比，误差更小，后续使用支持向量机对特征数据集进行特征分类的精度更高，能够提高疲劳脑电特征提取的准确度。

附图说明

图1是本发明实施例一提供的一种基于参数优化多尺度排列熵的疲劳脑电特征提取方法的流程图；

图2是本发明实施例一提供的疲劳诱发的流程图；

图3是本发明实施例一提供的脑电信号的通道导联示意图；

图4是本发明实施例一提供的预处理前后脑电信号的波形图；

图5是本发明实施例一提供的受试者主观疲劳值变化趋势图；

图6是本发明实施例一提供的延迟时间对多尺度排列熵的影响图；

图7是本发明实施例一提供的尺度因子对多尺度排列熵的影响图；

图8是本发明实施例一提供的嵌入维数对多尺度排列熵的影响图；

图9是本发明实施例一提供的参数优化多尺度排列熵的分类混淆矩阵；

图10是本发明实施例一提供的传统多尺度排列熵的分类混淆矩阵。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例一：

如图1所示，一种基于参数优化多尺度排列熵的疲劳脑电特征提取方法，包括：

采集受试者各脑区的脑电信号；

对采集到的脑电信号进行预处理，得到预处理后的脑电信号；

根据预处理后的脑电信号，利用遗传算法运算得到多尺度排列熵的最佳参数；

基于运算得到的多尺度排列熵的最佳参数，对预处理后的脑电信号进行多尺度排列熵特征提取，得到脑电信号的特征数据集；

使用支持向量机对特征数据集进行特征分类，提取到疲劳脑电的脑电特征。

具体步骤如下：

步骤1：采集受试者各脑区的脑电信号。

步骤1.1：受试者进行疲劳任务，利用置于大脑头皮各部位的电极采集完成任务的时间内受试者从清醒到重度疲惫状态下相应脑区的脑电信号。

如图2所示为受试者进行疲劳诱发的流程。疲劳诱发使用经典心理学实验——Stroop实验，使用E-Prime软件模拟Stroop实验过程。疲劳诱发流程共计60分钟，分为两个阶段，每个阶段30分钟，在每个阶段的第一分钟和最后一分钟记录受试者的脑电信号，包括四个记录段：GE1、IE1、IE2、GE2。两个阶段的间隔有5分钟音乐休息时间，以五分钟为一间隔记录受试者主观疲劳数据。

如图3所示为脑电信号的通道导联示意图，也是在大脑头皮放置电极的示意图。采用国际脑电图学会标定的10-20电极导联定位标准，用双耳垂接法，注射导电膏以增强电极的导电性，受试者正确佩戴脑电帽。选择不同脑区的FP1、FP2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6、FZ、CZ、PZ十九个通道电极，以采集不同脑区的脑电信号，其中通道M1、M2作为参考电极，选取采样频率为512HZ，各通道导联阻抗均小于5k。

还包括记录受试者完成疲劳任务中各阶段的主观数据和行为数据。如图5所示为受试者主观疲劳值变化趋势图，该折线图显示了被试者在整个实验过程中，主观疲劳值的平均变化趋势。从图中可以看出，被试者随着实验时间的增长，逐渐呈现出疲劳状态，在第一阶段最后一分钟(IE1阶段)被试表述为中度疲劳，经过五分钟短暂音乐休息后，被试在第二阶段第一分钟(IE2阶段)表述为轻度疲劳，随着第二阶段实验的开展，被试在最后阶段(GE2)表述为重度疲劳。

步骤1.2：将采集到的脑电信号进行放大和模数转换，以数字信号存储在计算机中，即为采集到的受试者各脑区的脑电信号。

使用Neuroscan64设备采集脑电信号，并将采集到的脑电信号进行放大和模数转换，再输入到计算机中存储。

步骤2：对采集到的脑电信号进行预处理，得到预处理后的脑电信号。

利用低通滤波器对采集到的脑电信号进行线性矫正，去除基线漂移和工频干扰；采用独立分量分析算法，去除眼电伪迹。对受试者完成疲劳任务中各阶段的主观数据和行为数据进行预处理，包括：使用SPSS13.0软件对各阶段的主观数据和行为数据求平均，并进行配对T检验。

能够使用Matlab中的EEGLAB工具包进行相关特征分析，图4为预处理前后脑电信号的波形图，(a)图形为未处理的原始脑电信号，能够看到信号波形存在明显的基线漂移现象；(b)图为经过带通滤波器滤波、独立分量分析算法处理后的波形，波形得到很好的线性矫正，同时剔除了眼电伪迹以及部分坏导成分。

步骤3：根据预处理后的脑电信号，利用遗传算法运算得到多尺度排列熵的最佳参数。

初始化遗传算法的参数：最大进化代数为100，种群最大数量为22，交叉概率为0.5，变异概率为0.05；

设置多尺度排列熵各参数的范围：嵌入维数m＝2～7、延迟时间t＝1～5、尺度因子s＝1～20；

选取多尺度排列熵偏度的平方函数作为遗传算法的目标函数，其中，所述多尺度排列熵偏度通过下式表示：

式(1)中，

为时间序列X所有尺度下的排列熵组成序列，表示为：

式(1)和(2)中，

为序列

的均值，

为序列

的标准差；

设置遗传算法的适应度函数：

基于多尺度排列熵各参数的范围和遗传算法的适应度函数，以目标函数最小为目标，运算得到多尺度排列熵的最佳参数。

如图6所示为样本中FP1通道脑电信号在不同延迟时间t下对多尺度排列熵的影响图。在该样本中嵌入维数m＝6，尺度因子s＝12，信号长度N＝5120，从该图中可以看出在t＝1时，前四个熵值出现较大程度的差异。随着t的增大整体熵值差异逐渐减小，在t＝5处整体熵值处于较为平稳的趋势。由以上图例可见，延迟时间t的设定对特征提取的熵值产生一定的影响。

如图7所示为样本中FP1通道脑电信号在不同尺度因子s下对多尺度排列熵的影响图。在该样本中嵌入维数m＝6，延迟时间t＝2。从该图中可以看出在s＝4时，前4个熵值整体分布存在较大差异，无法最大限度的提取信号的特征信息。在s＝16时，后8个熵值无明显差异，也可能造成信号的复杂度差异被抹除。

如图8所示为样本中FP1通道脑电信号在不同嵌入维数m下对多尺度排列熵的影响图。从该图中可以看出维数m＝2时，整体的熵值分布单一，无明显差异，算法的突变检测性能降低。随着维数的增大，整体熵值分布开始呈现明显变化。

步骤4：基于运算得到的多尺度排列熵的最佳参数，对预处理后的脑电信号进行多尺度排列熵特征提取，得到脑电信号的特征数据集。

对序列长度为N的时间序列X＝{x_i,i＝1,2,…,N}进行粗粒化处理，得到粗粒化序列y_j ^(s)，粗粒化处理表示为：

式(4)中，s为初度因子；

表示对

取整；

对y_j ^(s)进行时间重构得到：

式(5)中，m为嵌入维数，t为延迟时间，l为第l个重构分量，满足：l＝1,2,…,N-(m-1)t；

将时间重构序列按升序排列，得到符号序列S(t)＝(l₁,l₂,...,l_m)，其中t＝1,2,...,R且R≤m！，计算每一种符号序列出现的概率P_t；

根据如下式计算每个粗粒化序列的排列熵，由此得到时间序列在多尺度排列熵：

当

时，H_p(m)达到最大值In(m！)，将多尺度排列熵H_p(m)进行归一化处理，即：

式(7)中，

为归一化处理后的排列熵值，即为脑电信号的特征数据。

步骤5：使用支持向量机对特征数据集进行特征分类，提取到疲劳脑电的脑电特征。

为特征数据集添加标签列，该标签列包括等级0、等级1、等级2、等级3，依次对应清醒、轻度疲劳、中度疲劳、重度疲劳四个疲劳等级；

将添加完标签列的特征数据集输入支持向量机进行特征分类，识别疲劳脑电，提取到疲劳脑电的脑电特征。四个疲劳等级是依据预处理后的受试者完成疲劳任务中各阶段的主观数据和行为数据划分的。

如图9所示为参数优化多尺度排列熵的分类混淆矩阵，如图10为传统多尺度排列熵的分类混淆矩阵。使用参数优化多尺度排列熵算法的参数设定为：嵌入维数m＝3，延迟时间t＝2，尺度因子s＝11；作为对比，传统多尺度排列熵算法参数设定为：m＝6，t＝2，s＝12。两种算法的分类准确率分别为95.4％和89.6％

综上所述，采用本方法的分类的结果表明参数优化多尺度排列熵相较于传统的多尺度排列熵算法，特征提取的准确度更高，能够作为一种优化的疲劳脑电特征提取方法。

实施例二：

本发明实施例提供一种基于参数优化多尺度排列熵的疲劳脑电特征提取系统，包括：

采集模块：用于采集受试者各脑区的脑电信号；

预处理模块：用于对采集到的脑电信号进行预处理，得到预处理后的脑电信号；

最优参数模块：用于根据预处理后的脑电信号，利用遗传算法运算得到多尺度排列熵的最佳参数；

多尺度排列熵特征提取模块：用于基于运算得到的多尺度排列熵的最佳参数，对预处理后的脑电信号进行多尺度排列熵特征提取，得到脑电信号的特征数据集；

疲劳脑电的脑电特征提取模块：用于使用支持向量机对特征数据集进行特征分类，提取到疲劳脑电的脑电特征。

实施例三：

本发明实施例提供一种基于参数优化多尺度排列熵的疲劳脑电特征提取装置，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行实施例一所述方法的步骤。

实施例四：

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一所述方法的步骤。

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。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于参数优化多尺度排列熵的疲劳脑电特征提取方法，其特征在于，所述方法包括：

采集受试者各脑区的脑电信号；

对采集到的脑电信号进行预处理，得到预处理后的脑电信号；

根据预处理后的脑电信号，利用遗传算法运算得到多尺度排列熵的最佳参数；

基于运算得到的多尺度排列熵的最佳参数，对预处理后的脑电信号进行多尺度排列熵特征提取，得到脑电信号的特征数据集；

使用支持向量机对特征数据集进行特征分类，提取到疲劳脑电的脑电特征。

2.根据权利要求1所述的基于参数优化多尺度排列熵的疲劳脑电特征提取方法，其特征在于，采集受试者各脑区的脑电信号，包括：

受试者完成疲劳任务，利用置于大脑头皮各部位的电极采集完成任务的时间内受试者从清醒到重度疲惫状态下相应脑区的脑电信号；

将采集到的脑电信号进行放大和模数转换，以数字信号存储在计算机中，即为采集到的受试者各脑区的脑电信号。

3.根据权利要求1所述的基于参数优化多尺度排列熵的疲劳脑电特征提取方法，其特征在于，对采集到的脑电信号进行预处理包括：

利用低通滤波器对采集到的脑电信号进行线性矫正，去除基线漂移和工频干扰；

采用独立分量分析算法，去除眼电伪迹。

4.根据权利要求1所述的基于参数优化多尺度排列熵的疲劳脑电特征提取方法，其特征在于，利用遗传算法运算得到多尺度排列熵的最佳参数，包括：

初始化遗传算法的参数；

设置多尺度排列熵各参数的范围；

选取多尺度排列熵偏度的平方函数作为遗传算法的目标函数，其中，所述多尺度排列熵偏度通过下式表示：

式(1)中，

为时间序列X所有尺度下的排列熵组成序列，表示为：

式(1)和(2)中，

为序列

的均值，

为序列

的标准差；E(.)为数学期望；

设置遗传算法的适应度函数：

基于多尺度排列熵各参数的范围和遗传算法的适应度函数，以目标函数最小为目标，运算得到多尺度排列熵的最佳参数。

5.根据权利要求4所述的基于参数优化多尺度排列熵的疲劳脑电特征提取方法，其特征在于，多尺度排列熵各参数的范围包括：嵌入维数m，取值范围为m＝2～7；延迟时间t，取值范围为t＝1～5；尺度因子s，取值范围为s＝1～20。

6.根据权利要求1所述的基于参数优化多尺度排列熵的疲劳脑电特征提取方法，其特征在于，对预处理后的脑电信号进行多尺度排列熵特征提取，包括：

对序列长度为N的时间序列X＝{x_i,i＝1,2,…,N}进行粗粒化处理，得到粗粒化序列y_j ^(s)，粗粒化处理表示为：

式(4)中，s为尺度因子；

表示对

取整；

对y_j ^(s)进行时间重构得到：

式(5)中，m为嵌入维数，t为延迟时间，l为第l个重构分量，满足：l＝1,2,…,N-(m-1)t；

将时间重构序列按升序排列，得到符号序列S(t)＝(l₁,l₂,...,l_m)，其中t＝1,2,...,R且R≤m！，计算每一种符号序列出现的概率P_t；

根据如下式计算每个粗粒化序列的排列熵，由此得到时间序列在多尺度排列熵：

当

时，H_p(m)达到最大值In(m！)，将多尺度排列熵H_p(m)进行归一化处理，即：

式(7)中，

为归一化处理后的排列熵值，即为脑电信号的特征数据。

7.根据权利要求1所述的基于参数优化多尺度排列熵的疲劳脑电特征提取方法，其特征在于，使用支持向量机对特征数据集进行特征分类，提取到疲劳脑电的脑电特征，包括：

为特征数据集添加标签列，该标签列包括等级0、等级1、等级2、等级3，依次对应清醒、轻度疲劳、中度疲劳、重度疲劳四个疲劳等级；

将添加完标签列的特征数据集输入支持向量机进行特征分类，识别疲劳脑电，提取到疲劳脑电的脑电特征。

8.一种基于参数优化多尺度排列熵的疲劳脑电特征提取系统，其特征在于，包括：

采集模块：用于采集受试者各脑区的脑电信号；

预处理模块：用于对采集到的脑电信号进行预处理，得到预处理后的脑电信号；

最优参数模块：用于根据预处理后的脑电信号，利用遗传算法运算得到多尺度排列熵的最佳参数；

多尺度排列熵特征提取模块：用于基于运算得到的多尺度排列熵的最佳参数，对预处理后的脑电信号进行多尺度排列熵特征提取，得到脑电信号的特征数据集；

疲劳脑电的脑电特征提取模块：用于使用支持向量机对特征数据集进行特征分类，提取到疲劳脑电的脑电特征。

9.一种基于参数优化多尺度排列熵的疲劳脑电特征提取装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行权利要求1～7任一项所述方法的步骤。

10.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。

Images