CN113827256B - 基于脑电微状态的疲劳检测方法、装置、终端及存储介质 - Google Patents
基于脑电微状态的疲劳检测方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN113827256B CN113827256B CN202111115826.9A CN202111115826A CN113827256B CN 113827256 B CN113827256 B CN 113827256B CN 202111115826 A CN202111115826 A CN 202111115826A CN 113827256 B CN113827256 B CN 113827256B
- Authority
- CN
- China
- Prior art keywords
- micro
- state
- electroencephalogram
- preset
- data
- 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.)
- Active
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 84
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 79
- 230000009466 transformation Effects 0.000 claims abstract description 68
- 230000005611 electricity Effects 0.000 claims abstract description 36
- 238000007621 cluster analysis Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000007704 transition Effects 0.000 claims description 107
- 238000000034 method Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 31
- 230000000007 visual effect Effects 0.000 claims description 31
- 230000019771 cognition Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 16
- 238000000889 atomisation Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 6
- 206010016256 fatigue Diseases 0.000 description 58
- 230000008569 process Effects 0.000 description 17
- 238000002474 experimental method Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 230000001149 cognitive effect Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 208000019914 Mental Fatigue Diseases 0.000 description 5
- 230000007177 brain activity Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009661 fatigue test Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 208000032140 Sleepiness Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
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
- A61B5/316—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
- A61B5/24—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]
- A61B5/372—Analysis of electroencephalograms
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于脑电微状态的疲劳检测方法、装置、终端及存储介质，其中，基于脑电微状态的疲劳检测方法包括：获取待测者的脑电数据；对脑电数据进行聚类分析，得到记录有不同类型的微状态的微状态序列；其中，微状态序列中的所有微状态按照预设顺序排列；对微状态序列进行特征分析，得到多个微状态变换项；基于预先构建的预设线性模型和预设误差项，对微状态变换项以及脑电数据的全局能量峰值处对应的脑电拓扑进行处理，得到脑电数据的特征向量；将特征向量输入到预先训练的疲劳检测模型中，得到待测者的疲劳检测结果。采用本发明提供的基于脑电微状态的疲劳检测方法，可以提高疲劳状态检测的准确度。
Description
技术领域
本发明涉及疲劳检测技术领域，尤其涉及一种基于脑电微状态的疲劳检测方法、装置、终端及存储介质。
背景技术
疲劳是指人在一定的环境下，由于长时间的体力或脑力劳动而引起的劳动效率下降的状态。当司机在疲劳状态下驾驶时，其警觉性、持续注意力、判断力和反应力等能力都有所下降，极易引发安全事故。
目前，疲劳状态的检测方法主要有主观评价和客观检测两种。主观评价是依靠自我评价和自我记录表等来评价待测者的疲劳程度。客观检测主要从生物医学角度出发，借用医用电子设备测试被测试者的行为或生物信号的某些特征的变化趋势。这些生物信号主要包括脑电信号、眼电信号、心电信号、肌电信号等。
然而，主观评价的方法不能客观准确的评估待测者的疲劳状态，很容易受到主观因素的影响，疲劳状态评估准确度较低。现有的客观检测的方法，虽然能够较客观的评估待测者的疲劳状态，但是对疲劳状态的评估准确度也较低。
发明内容
本发明实施例提供了一种基于脑电微状态的疲劳检测方法、装置、终端及存储介质，以解决目前疲劳状态的评估不准确的问题。
第一方面，本发明实施例提供了一种基于脑电微状态的疲劳检测方法，包括：
获取待测者的脑电数据；
对脑电数据进行聚类分析，得到记录有不同类型的微状态的微状态序列；其中，微状态序列中的所有微状态按照预设顺序排列；
对微状态序列进行特征分析，得到多个微状态变换项；
基于预先构建的预设线性模型和预设误差项，对微状态变换项以及脑电数据的全局能量峰值处对应的脑电拓扑进行处理，得到脑电数据的特征向量；
将特征向量输入到预先训练的疲劳检测模型中，得到待测者的疲劳检测结果。
在一种可能的实现方式中，对微状态序列进行特征分析，得到多个微状态变换项，包括：
基于待测者的年龄、待测者的性别和采集脑电数据的设备，分别确定待测者年龄的干扰预设值、待测者性别的干扰预设值和采集脑电数据设备的干扰预设值；
依次获取微状态序列中的任意一种微状态变换到其他类型的微状态的微状态变换时刻的脑电拓扑；
将所有微状态变换时刻的脑电拓扑、待测者年龄的干扰预设值、待测者性别的干扰预设值和采集脑电数据设备的干扰预设值作为微状态变换项。
在一种可能的实现方式中，基于预先构建的预设线性模型和预设误差项，对微状态变换项以及脑电数据的全局能量峰值处对应的脑电拓扑进行处理，得到脑电数据的特征向量，包括：
基于最小二乘法、预先构建的预设线性模型和预设误差项，对微状态变换项以及脑电数据的全局能量峰值处对应的脑电拓扑进行拟合处理，得到所有微状态变换时刻的脑电拓扑对应的所有特征值；
若目标特征值大于预设阈值时，则保留目标特征值，并将目标特征值依次顺序存放，形成特征向量，否则删除目标特征值；其中，目标特征值为所有特征值中的任意一个。
在一种可能的实现方式中，预设线性模型为：
yi＝β1Xi1+β2Xi2+…+βpXip+εi；
其中，yi为第i个脑电数据的全局能量峰值点对应的脑电拓扑；Xi1、Xi2…Xip为第i个脑电数据的全局能量峰值点对应的所有微状态变换项；β1、β2…βp为第i个脑电数据的全局能量峰值点对应的所有微状态变换项对应的特征值；εi为第i个脑电数据的全局能量峰值点对应的预设误差项；n为脑电数据的全局能量峰值点的个数；p为微状态变换项的个数；n为正整数；i为大于等于1，小于等于n的正整数；p为大于等于1，小于等于15的正整数。
在一种可能的实现方式中，不同类型的微状态的功能包括语言加工功能、视觉加工功能、认知执行控制功能和注意功能。
在一种可能的实现方式中，对脑电数据进行聚类分析，得到记录有不同类型的微状态的微状态序列，包括：
在全局能量峰值处，对脑电数据进行原子化与凝聚层次聚类分析，得到脑电数据的四种不同类型的微状态，
将得到的所有微状态依次顺序排列，得到记录有不同类型的微状态的微状态序列。
在一种可能的实现方式中，所有微状态变换时刻包括语言加工微状态变换到视觉加工微状态的变换时刻、语言加工微状态变换到认知执行控制微状态的变换时刻、语言加工微状态变换到注意微状态的变换时刻、视觉加工微状态变换到言加工微状态的变换时刻、视觉加工微状态变换到认知执行控制微状态的变换时刻、视觉加工微状态变换到注意微状态的变换时刻、认知执行控制微状态变换到视觉加工微状态的变换时刻、认知执行控制微状态变换到语言加工微状态的变换时刻、认知执行控制微状态变换到注意微状态的变换时刻、注意微状态变换到语言加工微状态的变换时刻、注意微状态变换到认知执行控制微状态的变换时刻以及注意微状态变换到视觉加工微状态的变换时刻的至少一种。
第二方面，本发明实施例提供了一种基于脑电微状态的疲劳检测装置，包括：
脑电数据获取模块，用于获取待测者的脑电数据；
微状态序列获取模块，用于对脑电数据进行聚类分析，得到记录有不同类型的微状态的微状态序列；其中，微状态序列中的所有微状态按照预设顺序排列；
微状态变换项获取模块，用于对微状态序列进行特征分析，得到多个微状态变换项；
特征向量获取模块，用于基于预先构建的预设线性模型和预设误差项，对微状态变换项以及脑电数据的全局能量峰值处对应的脑电拓扑进行处理，得到脑电数据的特征向量；
疲劳检测模块，用于将特征向量输入到预先训练的疲劳检测模型中，得到待测者的疲劳检测结果。
在一种可能的实现方式中，微状态变换项获取模块，还用于：
基于待测者的年龄、待测者的性别和采集脑电数据的设备，分别确定待测者年龄的干扰预设值、待测者性别的干扰预设值和采集脑电数据设备的干扰预设值；
依次获取微状态序列中的任意一种微状态变换到其他类型的微状态的微状态变换时刻的脑电拓扑；
将所有微状态变换时刻的脑电拓扑、待测者年龄的干扰预设值、待测者性别的干扰预设值和采集脑电数据设备的干扰预设值作为微状态变换项。
在一种可能的实现方式中，特征向量获取模块，还用于：
基于最小二乘法、预先构建的预设线性模型和预设误差项，对微状态变换项以及脑电数据的全局能量峰值处对应的脑电拓扑进行拟合处理，得到所有微状态变换时刻的脑电拓扑对应的所有特征值；
若目标特征值大于预设阈值时，则保留目标特征值，并将目标特征值依次顺序存放，形成特征向量，否则删除目标特征值；其中，目标特征值为所有特征值中的任意一个。
在一种可能的实现方式中，预设线性模型为：
yi＝β1Xi1+β2Xi2+…+βpXip+εi；
其中，yi为第i个脑电数据的全局能量峰值点对应的脑电拓扑；Xi1、Xi2…Xip为第i个脑电数据的全局能量峰值点对应的所有微状态变换项；β1、β2…βp为第i个脑电数据的全局能量峰值点对应的所有微状态变换项对应的特征值；εi为第i个脑电数据的全局能量峰值点对应的预设误差项；n为脑电数据的全局能量峰值点的个数；p为微状态变换项的个数；n为正整数；i为大于等于1，小于等于n的正整数；p为大于等于1，小于等于15的正整数。
在一种可能的实现方式中，不同类型的微状态的功能包括语言加工功能、视觉加工功能、认知执行控制功能和注意功能。
在一种可能的实现方式中，微状态序列获取模块，还用于：
在全局能量峰值处，对脑电数据进行原子化与凝聚层次聚类分析，得到脑电数据的四种不同类型的微状态，
将得到的所有微状态依次顺序排列，得到记录有不同类型的微状态的微状态序列。
在一种可能的实现方式中，所有微状态变换时刻包括语言加工微状态变换到视觉加工微状态的变换时刻、语言加工微状态变换到认知执行控制微状态的变换时刻、语言加工微状态变换到注意微状态的变换时刻、视觉加工微状态变换到言加工微状态的变换时刻、视觉加工微状态变换到认知执行控制微状态的变换时刻、视觉加工微状态变换到注意微状态的变换时刻、认知执行控制微状态变换到视觉加工微状态的变换时刻、认知执行控制微状态变换到语言加工微状态的变换时刻、认知执行控制微状态变换到注意微状态的变换时刻、注意微状态变换到语言加工微状态的变换时刻、注意微状态变换到认知执行控制微状态的变换时刻以及注意微状态变换到视觉加工微状态的变换时刻中的至少一种。
第三方面，本发明实施例提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种基于脑电微状态的疲劳检测方法、装置、终端及存储介质，首先，获取待测者的脑电数据。然后，对脑电数据进行聚类分析，得到记录有不同类型的微状态的微状态序列。之后，对微状态序列进行特征分析，得到多个微状态变换项。接着，基于预先构建的预设线性模型和预设误差项，对微状态变换项以及脑电数据的全局能量峰值处对应的脑电拓扑进行处理，得到脑电数据的特征向量。最后，将特征向量输入到预先训练的疲劳检测模型中，得到待测者的疲劳检测结果。
如此，通过对获取的脑电数据进行处理，得到微状态、微状态变换项和脑电数据的全局能量峰值处对应的脑电拓扑，利用预先构建的预设线性模型对上述数据进行处理。并且在处理的过程中，通过设置预设误差项和多个微状态变换项，从而可以消除各种误差对检测结果的影响，从而提高了检测的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于脑电微状态的疲劳检测方法的实现流程图；
图2是本发明实施例提供的四种微状态地形图；
图3是本发明实施例提供的基于脑电微状态的疲劳检测装置的结构示意图；
图4是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
当人们长时间从事脑部认知活动后会造成大脑信息资源的过度消耗，严重影响人类的正常生活，例如，驾驶员在连续驾驶过程中需要长时间保持精神高度集中，将出现一定程度的精神疲劳。
为了解决现有技术问题，本发明实施例提供了一种基于脑电微状态的疲劳检测方法、装置、终端及存储介质。下面首先对本发明实施例所提供的基于脑电微状态的疲劳检测方法进行介绍。
基于脑电微状态的疲劳检测方法的执行主体，可以是基于脑电微状态的疲劳检测装置，该基于脑电微状态的疲劳检测装置可以是具有处理器和存储器的终端，例如移动电子设备或者非移动电子设备。示例性的，移动电子设备可以为车载电子设备、可穿戴设备等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)或者个人计算机(personal computer，PC)等，本发明实施例不作具体限定。
参见图1，其示出了本发明实施例提供的基于脑电微状态的疲劳检测方法的实现流程图，详述如下：
步骤S110、获取待测者的脑电数据。
在一些实施例中，可以通过预设采集方式，对待测者的脑电数据进行采集，以获取待测者的脑电数据。
具体的，在采集过程中，要求待测者保持闭眼清醒状态，采集时间可以是2分钟或3分钟，本发明实施例不对其进行具体限定。
在采集的过程中，采用16通道的电极对待测者进行脑电数据采集。由于采集到的脑电数据存在很多干扰，需要对脑电数据进行预处理，其中，预处理包括：首先进行0.5-40Hz的带通滤波，然后进行250Hz的降采样处理，对数据进行分段，每个小段2s，采用平均重参考，剔除电压幅值大于75μV的数据，去除眼电、肌电等干扰处理。
步骤S120、对脑电数据进行聚类分析，得到记录有不同类型的微状态的微状态序列。
脑电信号中的脑电微状态是指多通道脑电图中脑电拓扑结构的准稳定时间，大脑活动的动态变化引起的特征以及大脑活动的异常，是脑电微状态时间变化的驱动因素。
在一些实施例中，可以对得到的所有微状态按照预设排列规则排列成微状态序列。其中，按照得到的微状态的先后顺序依次顺序排列作为预设排列规则。
在一些实施例中，在全局能量峰值处，可以对脑电数据进行原子化与凝聚层次聚类分析，得到脑电数据的四种不同类型的微状态。其中，每种微状态对应一种地形图。
为了得到准确的检测结果，可以对预处理后的脑电数据再次进行2-20Hz的二次带通滤波。由于全局能量峰值(Global Field Power，GFP)处的脑电拓扑更加稳定，因此取GFP峰值处的脑电拓扑进行原子化与凝聚层次聚类，需要说明的是需要剔除两个GFP峰值间隔时长小于10ms的脑电拓扑。原子化与凝聚层次聚类算法因不需要随机多次选取原始图，与其他聚类算法相比，计算时间更短，并且每次计算均可得到相同的结果。原子化与凝聚层次聚类算法是一种通过自上而下的方式进行聚类的算法，将GFP峰值处的每一个原始图指定为一个独特的类别，计算其总体方差解释比例，即模板图解释全部脑电数据的方差比例。将所有类别中总体方差解释比例最小的类别与其他类别分别开，计算总体方差解释比例最小的所对应的原始图与其他类别对应原始图的空间相关性，将它分配给与其空间相关性最高的类别，从而减少一个类别。原子化与凝聚层次聚类算法通过每次减少一个类别的方式不断迭代，直到合并为所要保留的类别个数，本发明中选择4个类别作为微状态。
如图2中的四种微状态对应的地形图，分别为微状态A：右额-左颞，微状态B：左额-右颞，微状态C：中额-枕叶，微状态D：中额。这四种微状态对应功能分别为：微状态A对应的为语言加工处理功能，微状态B对应的为视觉加工处理功能，微状态C对应的为认知执行控制功能，微状态D对应的为注意功能。
通过对每个分段内所有时间点的地形图映射到与之空间相关性最大的微状态拓扑，即可得到不同时间点的微状态。将所有微状态按照时间先后顺序依次顺序排列，从而得到微状态序列。
步骤S130、对微状态序列进行特征分析，得到多种微状态变换项。
在一些实施例中，由于在检测过程中会受到待测者的性别、年龄或基于脑电微状态的疲劳检测装置的影响，会对测试结果产生影响，因此在本发明中，分别针对上述干扰项设置了对应的预设值，分别为待测者年龄的干扰预设值、待测者性别的干扰预设值和采集脑电数据设备的干扰预设值，从而可以使游泳的信息更加突出，检测的结果更加准确。
可以依次获取微状态序列中的任意一种微状态变换到其他类型的微状态的微状态变换时刻的脑电拓扑。由于发生微状态变换的位置处于GFP峰值处，所以只考虑GFP峰值处的脑电拓扑发生变换的位置。
可选的，所有微状态变换时刻包括语言加工微状态变换到视觉加工微状态的变换时刻、语言加工微状态变换到认知执行控制微状态的变换时刻、语言加工微状态变换到注意微状态的变换时刻、视觉加工微状态变换到言加工微状态的变换时刻、视觉加工微状态变换到认知执行控制微状态的变换时刻、视觉加工微状态变换到注意微状态的变换时刻、认知执行控制微状态变换到视觉加工微状态的变换时刻、认知执行控制微状态变换到语言加工微状态、认知执行控制微状态变换到注意微状态、注意微状态变换到语言加工微状态的变换时刻、注意微状态变换到认知执行控制微状态的变换时刻以及注意微状态变换到视觉加工微状态中的至少一种。
在一些实施例中，将所有微状态变换时刻的脑电拓扑、待测者年龄的干扰预设值、待测者性别的干扰预设值和采集脑电数据设备的干扰预设值作为微状态变换项。将待测者年龄的干扰预设值、待测者性别的干扰预设值和采集脑电数据设备的干扰预设值作为不感兴趣的回归量，将所有微状态变换时刻的脑电拓扑作为感兴趣的回归量进行分析。
步骤S140、基于预先构建的预设线性模型和预设误差项，对微状态变换项以及脑电数据的全局能量峰值处对应的脑电拓扑进行处理，得到脑电数据的特征向量。
使用预设线性模型，可以测试大脑活动是否与微状态的转变过程线性相关，在此模型中，可以将感兴趣的回归量、不感兴趣的回归量和预设误差项区分开来，一方面可以用于复杂问题的研究，另一方面可以使有用的信息更加突出。
在一些实施例中，预设线性模型可以采用广义线性模型建模，可以为：
Y＝βX+ε；
其中，Y为所有GFP峰值点所对应的微状态拓扑，其大小为通道数乘以GFP峰值点个数，在本发明中可以采用16通道。X为所有微状态变换时刻的脑电拓扑，分别为语言加工微状态变换到视觉加工微状态的变换时刻的脑电拓扑、语言加工微状态变换到认知执行控制微状态的变换时刻的脑电拓扑、语言加工微状态变换到注意微状态的变换时刻的脑电拓扑、视觉加工微状态变换到言加工微状态的变换时刻的脑电拓扑、视觉加工微状态变换到认知执行控制微状态的变换时刻的脑电拓扑、视觉加工微状态变换到注意微状态的变换时刻的脑电拓扑、认知执行控制微状态变换到视觉加工微状态的变换时刻的脑电拓扑、认知执行控制微状态变换到语言加工微状态的变换时刻的脑电拓扑、认知执行控制微状态变换到注意微状态的变换时刻的脑电拓扑、注意微状态变换到语言加工微状态的变换时刻的脑电拓扑、注意微状态变换到认知执行控制微状态的变换时刻的脑电拓扑以及注意微状态变换到视觉加工微状态的变换时刻的脑电拓扑。即A->B，A->C，A->D，B->A，B->C，B->D，C->A，C->B，C->D，D->A，D->B，D->C。
β为每个微状态变换时刻的脑电拓扑对应的特征值，ε为误差项，为一个预设值，可以根据待测者的年龄、性别及基于脑电微状态的疲劳检测装置进行设置。
具体可以表示为：
yi＝β1Xi1+β2Xi2+…+βpXip+εi；
其中，yi为第i个脑电数据的全局能量峰值点对应的脑电拓扑；Xi1、Xi2…Xip为第i个脑电数据的全局能量峰值点对应的所有微状态变换项对应的脑电拓扑；β1、β2…βp为第i个脑电数据的全局能量峰值点对应的所有微状态变换项对应的特征值；εi为第i个脑电数据的全局能量峰值点对应的预设误差项；n为脑电数据的全局能量峰值点的个数；p为微状态变换项的个数；n为正整数；i为大于等于1，小于等于n的正整数；p为大于等于1，小于等于15的正整数。
具体的，如待测者的年龄为23岁，则将待测者年龄的干扰预设值对应的特征值βi13值设为23，即根据待测者的年龄设置对应的特征值。如待测者的性别为男，则将待测者性别的干扰预设值对应的特征值βi14值设为1，如性别为女，则将待测者性别的干扰预设值对应的特征值βi14值设为2。如果在测试时，采用多个设备进行测试，采用第一种设备测试时，则将采集脑电数据设备的干扰预设值对应的特征值βi15值设为1，采用第二种设备测试时，则将采集脑电数据设备的干扰预设值对应的特征值βi15值设为2。其中待测者年龄的干扰预设值对应的脑电拓扑、待测者性别的干扰预设值对应的脑电拓扑和采集脑电数据设备的干扰预设值对应的脑电拓扑均设置为1。所有微状态变换时刻的脑电拓扑值根据对应的变化给出，如当A->B，则将A->B对应的脑电拓扑设置为1，其余的脑电拓扑设置为0。
在一些实施例中，基于最小二乘法、预先构建的预设线性模型和预设误差项，对微状态变换项以及脑电数据的全局能量峰值处对应的脑电拓扑进行拟合处理，得到所有微状态变换时刻的脑电拓扑对应的所有特征值。
使用最小二乘法对预设线性模型进行评估的过程为给定数据y和设计矩阵X，GLM拟合程序找到一组β值，尽可能好地解释数据。
最小二乘法的思路是将
ε‘ε＝(y-βX)’(Y-βX)→min
通过以下非迭代的方式获得最小二乘估计的最佳β权重，从而得到特征值β。
得到特征值后，还需要对特征值进行筛选，将不符合预设阈值的特征值删除。本发明中的预设阈值是根据多次的试验得到的值。
若目标特征值大于预设阈值时，则保留目标特征值，并将目标特征值依次顺序存放，形成特征向量，否则删除目标特征值；其中，目标特征值为所有特征值中的任意一个。
r2作为一种常用的特征选择方法，r2的值的大小反映了两类样本在该属性值下的差异大小，我们用该方法对得到的特征值的每一个点作为选择，其公式表示为：
其中EX疲劳为疲劳状态下的特征向量的期望值，EX非疲劳为非疲劳状态下的特征向量的期望值，σ2为所有样本的标差。选择r2平均值的作为预设阈值，当特征对应的r2值大于该预设阈值时，将其作为特征向量。
步骤S150、将特征向量输入到预先训练的疲劳检测模型中，得到待测者的疲劳检测结果。
在一些实施例中，在进行检测之前，需要首先构建预先训练的疲劳检测模型。将被测试疲劳前的数据标记为1，疲劳后的数据标记为-1，30组被测试疲劳前后的数据。任取其中48个数据作为训练集，剩余的12个数据作为测试集，采用SVM算法对疲劳检测模型进行训练，得到预先训练的疲劳检测模型。
具体的，被测试疲劳前后的数据可以通过下面的方法得到：
在安静封闭弱光的条件下进行数据采集。被试年龄分布在20-45周岁，共30人，实验前保证充足的睡眠，被试在整个实验中尽量减少转动眼球，保持身体不动。电极帽：16导(Fp1，Fp2，F3，F4，C3，C4，P3，P4，O1，O2，F7，F8，T3，T4，T5，T6)，电极安放位置根据符合国际标准10-20脑电记录系统扩展而来。采集时长：10min，采样率：1000Hz，所有导联阻抗值：均小于5KΩ。以下是具体采集流程：
非疲劳状态数据采集：在这个过程中被试闭眼，保持清醒状态，采集2min数据。
采用N-back实验范式诱发精神疲劳状态：被试在实验中保持睁眼，盯着屏幕中的黑色十字架，屏幕呈现一系列简单加减算式，被试计算结果并依次记忆，判断当前结果与n个试次之前的结果是否一致，若一致被试需按鼠标左键，不一致需按鼠标右键。为了使被试处于最大工作记忆符合，快速达到疲劳状态，在这里我们选用3-back实验任务的正确率来进行检测。若实验正确率超过80％，则继续使用3-back实验，若低于80％，采用难度较低的2-back实验，实验结束后，我们根据任务的正确率和卡罗林斯卡嗜睡量表值来判断被试是否达到精神疲劳，若达到疲劳状态则进行下一阶段，若未达到重复上一实验过程直至达到精神疲劳状态。
疲劳状态数据采集：当被试达到疲劳状态后对其脑电进行采集，在此过程中被试保持闭眼清醒，采集2min中数据。
如此即可得到30组被测试疲劳前后的数据。
在本发明实施例中，首先，获取待测者的脑电数据。然后，对脑电数据进行聚类分析，得到记录有不同类型的微状态的微状态序列。之后，对微状态序列进行特征分析，得到多个微状态变换项。接着，基于预先构建的预设线性模型和预设误差项，对微状态变换项以及脑电数据的全局能量峰值处对应的脑电拓扑进行处理，得到脑电数据的特征向量。最后，将特征向量输入到预先训练的疲劳检测模型中，得到待测者的疲劳检测结果。
如此，通过对获取的脑电数据进行处理，得到微状态、微状态变换项和脑电数据的全局能量峰值处对应的脑电拓扑，利用预先构建的预设线性模型对上述数据进行处理。并且在处理的过程中，通过设置预设误差项和多个微状态变换项，从而可以消除各种误差对检测结果的影响，从而提高了检测的准确度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
基于上述实施例提供的基于脑电微状态的疲劳检测方法，相应地，本发明还提供了应用于该基于脑电微状态的疲劳检测方法的基于脑电微状态的疲劳检测装置的具体实现方式。请参见以下实施例。
如图3所示，提供了一种基于脑电微状态的疲劳检测装置300，该装置包括：
脑电数据获取模块310，用于获取待测者的脑电数据；
微状态序列获取模块320，用于对脑电数据进行聚类分析，得到记录有不同类型的微状态的微状态序列；其中，微状态序列中的所有微状态按照预设顺序排列；
微状态变换项获取模块330，用于对微状态序列进行特征分析，得到多个微状态变换项；
特征向量获取模块340，用于基于预先构建的预设线性模型和预设误差项，对微状态变换项以及脑电数据的全局能量峰值处对应的脑电拓扑进行处理，得到脑电数据的特征向量；
疲劳检测模块350，用于将特征向量输入到预先训练的疲劳检测模型中，得到待测者的疲劳检测结果。
在一种可能的实现方式中，微状态变换项获取模块330，还用于：
基于待测者的年龄、待测者的性别和采集脑电数据的设备，分别确定待测者年龄的干扰预设值、待测者性别的干扰预设值和采集脑电数据设备的干扰预设值；
依次获取微状态序列中的任意一种微状态变换到其他类型的微状态的微状态变换时刻的脑电拓扑；
将所有微状态变换时刻的脑电拓扑、待测者年龄的干扰预设值、待测者性别的干扰预设值和采集脑电数据设备的干扰预设值作为微状态变换项。
在一种可能的实现方式中，特征向量获取模块340，还用于：
基于最小二乘法、预先构建的预设线性模型和预设误差项，对微状态变换项以及脑电数据的全局能量峰值处对应的脑电拓扑进行拟合处理，得到所有微状态变换时刻的脑电拓扑对应的所有特征值；
若目标特征值大于预设阈值时，则保留目标特征值，并将目标特征值依次顺序存放，形成特征向量，否则删除目标特征值；其中，目标特征值为所有特征值中的任意一个。
在一种可能的实现方式中，预设线性模型为：
yi＝β1Xi1+β2Xi2+…+βpXip+εi；
其中，yi为第i个脑电数据的全局能量峰值点对应的脑电拓扑；Xi1、Xi2…Xip为第i个脑电数据的全局能量峰值点对应的所有微状态变换项；β1、β2…βp为第i个脑电数据的全局能量峰值点对应的所有微状态变换项对应的特征值；εi为第i个脑电数据的全局能量峰值点对应的预设误差项；n为脑电数据的全局能量峰值点的个数；p为微状态变换项的个数；n为正整数；i为大于等于1，小于等于n的正整数；p为大于等于1，小于等于15的正整数。
在一种可能的实现方式中，不同类型的微状态的功能包括语言加工功能、视觉加工功能、认知执行控制功能和注意功能。
在一种可能的实现方式中，微状态序列获取模块320，还用于：
在全局能量峰值处，对脑电数据进行原子化与凝聚层次聚类分析，得到脑电数据的四种不同类型的微状态，
将得到的所有微状态依次顺序排列，得到记录有不同类型的微状态的微状态序列。
在一种可能的实现方式中，所有微状态变换时刻包括语言加工微状态变换到视觉加工微状态的变换时刻、语言加工微状态变换到认知执行控制微状态的变换时刻、语言加工微状态变换到注意微状态的变换时刻、视觉加工微状态变换到言加工微状态的变换时刻、视觉加工微状态变换到认知执行控制微状态的变换时刻、视觉加工微状态变换到注意微状态的变换时刻、认知执行控制微状态变换到视觉加工微状态的变换时刻、认知执行控制微状态变换到语言加工微状态的变换时刻、认知执行控制微状态变换到注意微状态的变换时刻、注意微状态变换到语言加工微状态的变换时刻、注意微状态变换到认知执行控制微状态的变换时刻以及注意微状态变换到视觉加工微状态的变换时刻中的至少一种。
图4是本发明实施例提供的终端的示意图。如图4所示，该实施例的终端4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个基于脑电微状态的疲劳检测方法实施例中的步骤，例如图1所示的步骤110至步骤150。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块的功能，例如图3所示模块310至350的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端4中的执行过程。例如，所述计算机程序42可以被分割成图3所示的模块310至350。
所述终端4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端4的示例，并不构成对终端4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端4的内部存储单元，例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储设备，例如所述终端4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，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单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以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。专业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。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个基于脑电微状态的疲劳检测方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于脑电微状态的疲劳检测方法，其特征在于，包括：
获取待测者的脑电数据；
对所述脑电数据进行聚类分析，得到记录有不同类型的微状态的微状态序列，具体包括在全局能量峰值处，对所述脑电数据进行原子化与凝聚层次聚类分析，得到所述脑电数据的四种不同类型的微状态，将得到的所有所述微状态依次顺序排列，得到记录有不同类型的微状态的微状态序列；其中，所述微状态序列中的所有所述微状态按照预设顺序排列；
对所述微状态序列进行特征分析，得到多个微状态变换项，具体包括基于所述待测者的年龄、所述待测者的性别和采集脑电数据的设备，分别确定所述待测者年龄的干扰预设值、所述待测者性别的干扰预设值和采集脑电数据设备的干扰预设值；依次获取所述微状态序列中的任意一种微状态变换到其他类型的微状态的微状态变换时刻的脑电拓扑；将所有所述微状态变换时刻的脑电拓扑、所述待测者年龄的干扰预设值、所述待测者性别的干扰预设值和所述采集脑电数据设备的干扰预设值确定为所述微状态变换项；
基于预先构建的预设线性模型和预设误差项，对所述微状态变换项以及所述脑电数据的全局能量峰值处对应的脑电拓扑进行处理，得到所述脑电数据的特征向量；
将所述特征向量输入到预先训练的疲劳检测模型中，得到所述待测者的疲劳检测结果。
2.如权利要求1所述的基于脑电微状态的疲劳检测方法，其特征在于，所述基于预先构建的预设线性模型和预设误差项，对所述微状态变换项以及所述脑电数据的全局能量峰值处对应的脑电拓扑进行处理，得到所述脑电数据的特征向量，包括：
基于最小二乘法、预先构建的预设线性模型和预设误差项，对所述微状态变换项以及所述脑电数据的全局能量峰值处对应的脑电拓扑进行拟合处理，得到所有所述微状态变换时刻的脑电拓扑对应的所有特征值；
若目标特征值大于预设阈值时，则保留所述目标特征值，并将所述目标特征值依次顺序存放，形成所述特征向量，否则删除所述目标特征值；其中，所述目标特征值为所有所述特征值中的任意一个。
3.如权利要求1或2所述的基于脑电微状态的疲劳检测方法，其特征在于，所述预设线性模型为：
其中，
为第i个所述脑电数据的全局能量峰值点对应的脑电拓扑；/>
…/>
为第i个所述脑电数据的全局能量峰值点对应的所有所述微状态变换项；/>
、/>
…/>
为第i个所述脑电数据的全局能量峰值点对应的所有所述微状态变换项对应的特征值；/>
为第i个所述脑电数据的全局能量峰值点对应的预设误差项；n为所述脑电数据的全局能量峰值点的个数；p为所述微状态变换项的个数；所述n为正整数；i为大于等于1，小于等于n的正整数；p为大于等于1，小于等于15的正整数。
4.如权利要求1所述的基于脑电微状态的疲劳检测方法，其特征在于，所述不同类型的微状态的功能包括语言加工功能、视觉加工功能、认知执行控制功能和注意功能。
5.如权利要求4所述的基于脑电微状态的疲劳检测方法，其特征在于，所述所有所述微状态变换时刻包括语言加工微状态变换到视觉加工微状态的变换时刻、语言加工微状态变换到认知执行控制微状态的变换时刻、语言加工微状态变换到注意微状态的变换时刻、视觉加工微状态变换到言加工微状态的变换时刻、视觉加工微状态变换到认知执行控制微状态的变换时刻、视觉加工微状态变换到注意微状态的变换时刻、认知执行控制微状态变换到视觉加工微状态的变换时刻、认知执行控制微状态变换到语言加工微状态的变换时刻、认知执行控制微状态变换到注意微状态的变换时刻、注意微状态变换到语言加工微状态的变换时刻、注意微状态变换到认知执行控制微状态的变换时刻以及注意微状态变换到视觉加工微状态的变换时刻中的至少一种。
6.一种基于脑电微状态的疲劳检测装置，其特征在于，包括：
脑电数据获取模块，用于获取待测者的脑电数据；
微状态序列获取模块，用于对所述脑电数据进行聚类分析，得到记录有不同类型的微状态的微状态序列，具体用于在全局能量峰值处，对所述脑电数据进行原子化与凝聚层次聚类分析，得到所述脑电数据的四种不同类型的微状态，将得到的所有所述微状态依次顺序排列，得到记录有不同类型的微状态的微状态序列；其中，所述微状态序列中的所有所述微状态按照预设顺序排列；
微状态变换项获取模块，用于对所述微状态序列进行特征分析，得到多个微状态变换项，具体包括基于所述待测者的年龄、所述待测者的性别和采集脑电数据的设备，分别确定所述待测者年龄的干扰预设值、所述待测者性别的干扰预设值和采集脑电数据设备的干扰预设值；依次获取所述微状态序列中的任意一种微状态变换到其他类型的微状态的微状态变换时刻的脑电拓扑；将所有所述微状态变换时刻的脑电拓扑、所述待测者年龄的干扰预设值、所述待测者性别的干扰预设值和所述采集脑电数据设备的干扰预设值确定为所述微状态变换项；
特征向量获取模块，用于基于预先构建的预设线性模型和预设误差项，对所述微状态变换项以及所述脑电数据的全局能量峰值处对应的脑电拓扑进行处理，得到所述脑电数据的特征向量；
疲劳检测模块，用于将所述特征向量输入到预先训练的疲劳检测模型中，得到所述待测者的疲劳检测结果。
7.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111115826.9A CN113827256B (zh) | 2021-09-23 | 2021-09-23 | 基于脑电微状态的疲劳检测方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111115826.9A CN113827256B (zh) | 2021-09-23 | 2021-09-23 | 基于脑电微状态的疲劳检测方法、装置、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113827256A CN113827256A (zh) | 2021-12-24 |
| CN113827256B true CN113827256B (zh) | 2023-07-14 |
Family
ID=78969432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111115826.9A Active CN113827256B (zh) | 2021-09-23 | 2021-09-23 | 基于脑电微状态的疲劳检测方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113827256B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117894465A (zh) * | 2024-02-21 | 2024-04-16 | 深圳市视壮科技有限公司 | 一种基于物联网和大数据的养老信息规划方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113367705A (zh) * | 2021-04-07 | 2021-09-10 | 西北工业大学 | 基于改进的微状态分析的运动想象脑电信号分类方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2935813C (en) * | 2013-01-08 | 2021-12-21 | Interaxon Inc. | Adaptive brain training computer system and method |
| CN107095671A (zh) * | 2017-05-27 | 2017-08-29 | 西南交通大学 | 驾驶疲劳识别方法及系统 |
| CN110811556A (zh) * | 2019-11-15 | 2020-02-21 | 西安交通大学 | 一种基于脑电微状态分析的麻醉深度监测系统及方法 |
-
2021
- 2021-09-23 CN CN202111115826.9A patent/CN113827256B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113367705A (zh) * | 2021-04-07 | 2021-09-10 | 西北工业大学 | 基于改进的微状态分析的运动想象脑电信号分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113827256A (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Wilson et al. | Spike detection: a review and comparison of algorithms | |
| CN109646022B (zh) | 儿童注意力评估系统及其方法 | |
| CN112603335B (zh) | 脑电情感识别方法、系统、设备及存储介质 | |
| CN112259237A (zh) | 基于多情感刺激和多级分类模型的抑郁评估系统 | |
| Palaniappan et al. | Individual identification technique using visual evoked potential signals | |
| CA3063321A1 (en) | Method, command, device and program to determine at least one brain network involved in carrying out a given process | |
| CN114970599A (zh) | 注意缺陷关联脑电信号的识别方法、识别装置、存储介质 | |
| Euler et al. | Working memory performance inversely predicts spontaneous delta and theta-band scaling relations | |
| CN113288175A (zh) | 脑电信号的质量检测方法、装置、电子设备及存储介质 | |
| CN110569968B (zh) | 基于电生理信号的创业失败恢复力评估方法及评估系统 | |
| CN113827256B (zh) | 基于脑电微状态的疲劳检测方法、装置、终端及存储介质 | |
| CN115363531A (zh) | 基于双模态脑电信号信息瓶颈的癫痫检测系统 | |
| CN117679045A (zh) | 一种基于时频空多维度脑网络特征的脑力疲劳评估方法 | |
| CN114366103B (zh) | 注意力评估方法、装置及电子设备 | |
| CN111067513A (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
| CN109700458A (zh) | 一种eeg脑功能网络构建方法、装置及存储介质 | |
| CN117876807A (zh) | 基于模拟情境多模态数据的人员状态调节训练方法和装置 | |
| CN117171658A (zh) | 一种基于脑智能技术的认知负荷评判方法 | |
| Chatterjee et al. | Real time estimation of task specific self-confidence level based on brain signals | |
| Fickling et al. | Distant sensor prediction of event-related potentials | |
| Mumtaz et al. | EEG classification of physiological conditions in 2D/3D environments using neural network | |
| Koohestani et al. | Drivers awareness evaluation using physiological measurement in a driving simulator | |
| Neagu et al. | Investigating pupillometry as a reliable measure of individual’s listening effort |
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 |