CN114246593A - 一种融合脑电、眼电、心率的疲劳检测方法及系统 - Google Patents
一种融合脑电、眼电、心率的疲劳检测方法及系统 Download PDFInfo
- Publication number
- CN114246593A CN114246593A CN202111534633.7A CN202111534633A CN114246593A CN 114246593 A CN114246593 A CN 114246593A CN 202111534633 A CN202111534633 A CN 202111534633A CN 114246593 A CN114246593 A CN 114246593A
- Authority
- CN
- China
- Prior art keywords
- forehead
- signal
- electroencephalogram
- eeg
- ppg
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 93
- 210000001061 forehead Anatomy 0.000 claims abstract description 113
- 238000013186 photoplethysmography Methods 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims description 59
- 238000010183 spectrum analysis Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000000926 separation method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 210000004556 brain Anatomy 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims 2
- 238000012544 monitoring process Methods 0.000 abstract description 12
- 238000011156 evaluation Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001360 synchronised effect 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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- 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
- A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Ophthalmology & Optometry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种融合脑电、眼电、心率的疲劳检测方法及系统,属于疲劳检测领域,首先采集前额单通道脑电信号和前额光电容积脉搏波信号,从前额光电容积脉搏波信号中提取出脉率PR,然后从前额单通道脑电信号中分离出前额眼电信号,最终将计算得到的表征脑电信息的能量比、表征眼电信号的眨眼频率信息以及表征心率信号的能量比输入至疲劳检测回归模型中即可输出疲劳程度值,从而实现了脑电信号、眼电信号以及心率信号的结合检测,对疲劳程度的多维度的评价,能够有效提升疲劳检测的准确性;同时,这三种生理信息可同时、同步获得,采集方便快捷,能够实现对疲劳驾驶的持续监测,解决现有的疲劳检测方法无法持续监测、准确性低的问题。
Description
技术领域
本发明涉及疲劳检测领域,特别是涉及一种融合脑电、眼电、心率的疲劳检测方法及系统。
背景技术
疲劳检测在驾驶、高空作业、飞行、矿井作业等各个领域都具有非常重要的意义。现有的疲劳检测方法主要包括主观评测法和客观评测法,其中,主观评测法主要通过问卷调查法进行,该方法易受个人主观意识的影响,评测标准不统一,导致疲劳检测准确度较低。客观评测方法采用电子信息辅助设备采集反映人体疲劳的特征信息,并建立疲劳检测模型,从而实现疲劳检测,主要包括基于面部视觉的方法,基于脑电信息的方法,基于心电信息的方法,基于眼电信息的方法等。
然而,上述客观评测方法通常仅是对脑电、心电或者眼电信息其中之一进行单独检测,其中,基于脑电信息的疲劳检测方法虽然能够直观反映人体的疲劳状态,但是由于脑电信息较为微弱,易受干扰,容易对检测结果造成不利影响,从而使得检测结果准确性较低,可靠性较差。基于眼电信息的检测方式通常需要在眼睛周边粘贴电极,长时间佩戴会使被检测对象产生不适感,不适用于长时间监测。而基于心电信息的检测方法通常需要将心电电极贴于胸口,同样也不适用于长时间监测。因此,如何实现疲劳驾驶的持续监测,并提升疲劳检测的准确性,是目前疲劳检测领域亟待解决的一个问题。
发明内容
本发明的目的是提供一种融合脑电、眼电、心率的疲劳检测方法及系统,以实现疲劳驾驶的持续监测,并提升疲劳检测的准确性,解决现有的疲劳检测方法无法持续监测、准确性低的问题。
为实现上述目的,本发明提供了如下方案:
一方面,本发明提出了一种融合脑电、眼电、心率的疲劳检测方法,包括:
采集前额单通道脑电信号EEGraw和前额光电容积脉搏波PPG信号;
对所述前额单通道脑电信号EEGraw和前额光电容积脉搏波PPG信号分别进行预处理,得到脑电信号EEG_clean和脉搏信号PPG_clean;
从所述脑电信号EEG_clean中分离得到前额脑电信号EEG和前额眼电信号EOG;
从所述脉搏信号PPG_clean中提取得到脉率PR;
从所述前额脑电信号EEG中提取得到θ波段、α波段以及β波段的脑电信息,并计算θ波段与α波段之和与β波的能量比E(θ+α)/β;
根据前额眼电信号EOG提取得到眨眼频率信息;
基于脉率PR区间,对心率变异性HRV进行频谱分析,计算得到低频LF和高频HF的能量比ELF/EHF;
构建疲劳检测回归模型;
将所述能量比E(θ+α)/β、所述眨眼频率信息和所述能量比ELF/EHF输入至所述疲劳检测回归模型,得到疲劳程度结果。
可选的,所述采集前额单通道脑电信号EEGraw和前额光电容积脉搏波PPG信号,具体包括:
将前额单通道脑电信号EEGraw采集器与前额光电容积脉搏波PPG信号采集器集成到同一个头带上,同时采集前额单通道脑电信号EEGraw和前额光电容积脉搏波PPG信号;
所述前额单通道脑电信号EEGraw采集器采用TGAM脑波传感器,所述前额光电容积脉搏波PPG信号采集器采用基于反射式采集方法的发光光源和光电探测器。
可选的,所述从所述脑电信号EEG_clean中分离得到前额脑电信号EEG和前额眼电信号EOG,具体包括:
采用经验模态分解与盲源分离算法对脑电信号EEG_clean进行分离处理,得到前额脑电信号EEG和前额眼电信号EOG。
可选的,所述从所述脉搏信号PPG_clean中提取得到脉率PR,具体包括:
采用差分阈值法对所述脉搏信号PPG_clean进行处理,得到脉率PR,差分阈值法计算公式为:
其中,D(i)表示提取脉率PR时的差分结果,x(i)表示原始的脉搏信号PPG_clean,N为采样率。
可选的,所述从所述前额脑电信号EEG中提取得到θ波段、α波段以及β波段的脑电信息,并计算θ波段与α波段之和与β波的能量比E(θ+α)/β,具体包括:
采用带通滤波器组从所述前额脑电信号EEG中分别提取出θ波段、α波段以及β波段的脑电信息;
根据θ波段、α波段以及β波段的脑电信息,计算θ波段、α波段以及β波段的脑电信号能量;
根据θ波段、α波段以及β波段的脑电信号能量,计算得到θ波段与α波段之和与β波的能量比E(θ+α)/β。
可选的,所述带通滤波器组的截止频率分别为BPF1,4-7Hz;BPF2,8-13Hz;BPF3,14-30Hz。
可选的,所述根据前额眼电信号EOG提取得到眨眼频率信息,具体包括:
采用差分阈值法对所述前额眼电信号EOG进行处理,得到眨眼频率信息。
可选的,所述基于脉率PR区间,对心率变异性HRV进行频谱分析,计算得到低频LF和高频HF的能量比ELF/EHF,具体包括:
采用频域分析法提取得到心率变异性HRV;
基于脉率PR区间,对所述心率变异性HRV进行频谱分析,得到频谱分析结果;
根据频谱分析结果,计算低频LF和高频HF的功率;
根据低频LF和高频HF的功率,计算得到低频LF和高频HF的能量比ELF/EHF。
可选的,所述构建疲劳检测回归模型,具体包括:
采用支持向量机回归模型,利用预先采集的脑电信号、脉搏信号和眼电信号的检测数据集对所述支持向量机回归模型进行训练,训练完成后得到疲劳检测回归模型。
另一方面,本发明还提出了一种融合脑电、眼电、心率的疲劳检测系统,包括:
脑电信号EEGraw和脉搏波PPG信号采集模块,用于采集前额单通道脑电信号EEGraw和前额光电容积脉搏波PPG信号;
脑电信号EEGraw和脉搏波PPG信号预处理模块,用于对所述前额单通道脑电信号EEGraw和前额光电容积脉搏波PPG信号分别进行预处理,得到脑电信号EEG_clean和脉搏信号PPG_clean;
前额脑电信号EEG和前额眼电信号EOG获取模块,用于从所述脑电信号EEG_clean中分离得到前额脑电信号EEG和前额眼电信号EOG;
脉率PR提取模块,用于从所述脉搏信号PPG_clean中提取得到脉率PR;
能量比E(θ+α)/β计算模块,用于从所述前额脑电信号EEG中提取得到θ波段、α波段以及β波段的脑电信息,并计算θ波段与α波段之和与β波的能量比E(θ+α)/β;
眨眼频率信息提取模块,用于根据前额眼电信号EOG提取得到眨眼频率信息;
频谱分析和能量比ELF/EHF计算模块,用于基于脉率PR区间,对心率变异性HRV进行频谱分析,计算得到低频LF和高频HF的能量比ELF/EHF;
疲劳检测回归模型建立模块,用于构建疲劳检测回归模型;
疲劳程度结果获取模块,用于将所述能量比E(θ+α)/β、所述眨眼频率信息和所述能量比ELF/EHF输入至所述疲劳检测回归模型,得到疲劳程度结果。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提出了一种融合脑电、眼电、心率的疲劳检测方法及系统,首先采集前额单通道脑电信号EEGraw和前额光电容积脉搏波PPG信号,从前额光电容积脉搏波PPG信号中提取出脉率PR,并利用脉率PR代替心率HR值,然后又在前额单通道脑电信号EEGraw的基础上,分离出了前额眼电信号EOG,从而实现了脑电信号、眼电信号以及心率信号的结合检测,最终将表征脑电信息的能量比E(θ+α)/β、表征眼电信号的眨眼频率信息以及表征心率信号的能量比ELF/EHF输入至疲劳检测回归模型中,即可输出一个疲劳程度值,从而实现了对疲劳程度的多维度的评价,能够有效提升疲劳检测的准确性,使得疲劳检测结果更加准确、可靠。同时,这三种生理信息可可经一次采集过程即可同时同步获得,采集方便、快捷,能够实现对疲劳驾驶的持续监测,解决现有的疲劳检测方法无法持续监测、准确性低的问题。
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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的融合脑电、眼电、心率的疲劳检测方法的流程图;
图2为本发明实施例1提供的融合脑电、眼电、心率的疲劳检测方法的原理图;
图3为本发明实施例1提供的脑电信号EEG和眼电信号EOG分离的流程图;
图4为本发明实施例2提供的融合脑电、眼电、心率的疲劳检测系统的结构框图。
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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种融合脑电、眼电、心率的疲劳检测方法及系统,以实现疲劳驾驶的持续监测,并提升疲劳检测的准确性,解决现有的疲劳检测方法无法持续监测、准确性低的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1和图2所示,本实施例提出了一种融合脑电、眼电、心率的疲劳检测方法,该方法具体包括以下步骤:
步骤S1、采集前额单通道脑电信号EEGraw和前额光电容积脉搏波PPG信号。具体包括:
将前额单通道脑电信号EEGraw采集器与前额光电容积脉搏波PPG信号采集器集成到同一个头带上,同时、同步采集待检测用户的前额部位的单通道脑电信号EEGraw和光电容积脉搏波PPG信号,从而使得信号采集过程更加方便、快捷,且通过集成式头带采集多种信号的方式,无需对同一待检测对象先后进行多次采集,能够实现对疲劳驾驶的持续监测,解决现有的疲劳检测方法无法持续监测的问题。
本实施例中,所述前额单通道脑电信号EEGraw采集器采用TGAM脑波传感器,所述前额光电容积脉搏波PPG信号采集器采用基于反射式采集方法的发光光源和光电探测器,即采用反射式采集方法采集前额光电容积脉搏波PPG信号,该采集器包括发光光源和光电探测器两部分。
步骤S2、对所述前额单通道脑电信号EEGraw(以下简称脑电信号EEGraw)和前额光电容积脉搏波PPG信号(以下简称脉搏PPG信号)分别进行预处理,得到脑电信号EEG_clean和脉搏信号PPG_clean。
本实施例在获得脑电信号EEGraw和脉搏PPG信号后,需要对其进行信号预处理,包括滤除高频噪声、基线漂移成分以及工频干扰等过程。
本发明中的信号预处理过程为:
首先,采用工频陷波器发射50Hz工频陷波,对脑电信号EEGraw和脉搏PPG信号进行处理,以滤除工频干扰噪声,然后进行滤除高频噪声和基线漂移成分处理,采用带通滤波器BP1对脑电信号EEGraw进行处理,带通滤波器BP1的频带范围为1~30Hz;再采用带通滤波器BP2对脉搏PPG信号进行处理,带通滤波器BP2的频带范围为0.4~10Hz,最终得到预处理后干净的脑电信号EEG_clean和脉搏信号PPG_clean。
应说明的是,本实施例的预处理方法仅仅是举例说明,优选的滤除高频噪声、基线漂移成分以及工频干扰的预处理过程,不应作为对本发明保护范围的限定,具体预处理过程并不是固定的、唯一的,可采用其它的去噪滤波等预处理过程,可根据实际情况自行设定。
步骤S3、从所述脑电信号EEG_clean中分离得到前额脑电信号EEG和前额眼电信号EOG。
本实施例采用经验模态分解与盲源分离算法对脑电信号EEG_clean进行分离处理,得到前额脑电信号EEG和前额眼电信号EOG。
如图3所示,本实施例采用的经验模态分解与盲源分离算法进行信号分离,具体过程为:
首先,采用经验模态分解法EEMD对原始信号即脑电信号EEG_clean进行分解,得到若干本征模态函数IMFs;然后,采用独立成分分析算法ICA对所述若干本征模态函数IMFs进行成分分析处理,得到独立成分分量;然后,计算各个独立成分分量的近似熵,并选定合适的阈值VApEn,用以区分脑电分量和眼电分量;最终根据各个独立成分分量的近似熵与阈值VApEn的大小关系,判断各个独立成分分量是眼电成分EOG还是脑电成分EEG。本实施例中,将近似熵小于阈值VApEn的独立成分分量判定为眼电成分EOG,将近似熵大于阈值VApEn的独立成分分量判定为脑电成分EEG。通过采用经验模态分解与盲源分离算法进行信号分离和判断,实现了对脑电信号EEG和眼电信号EOG的精确分离,保证了疲劳检测结果的准确性、可靠性。
步骤S4、从所述脉搏信号PPG_clean中提取得到脉率PR。通常情况下,脉率PR等于心率HR,本发明采用脉率PR代替心率HR值表征心率特征。在提取脉率PR时,采用差分阈值法对所述脉搏信号PPG_clean进行提取,得到脉率PR,差分阈值法的计算公式为:
其中,D(i)表示提取脉率PR时的差分结果,x(i)表示原始的脉搏信号PPG_clean,N为采样率。
采用差分阈值法计算时,初始阈值需要人工选定,选定方法为:选取1段长度的信号,该1段长度的信号至少包含10个周期的D(i)差分信号,即10个PR周期,选取该段信号中最大的10个D(i)值的平均值作为初始阈值;后续阈值采用自适应选择方式确定,即当前时刻的前10个PR周期的最大D(i)值的平均值作为后续阈值。
步骤S5、从所述前额脑电信号EEG中提取出不同波段(包括θ波段、α波段以及β波段)的脑电信息,并计算θ波段与α波段之和与β波的能量比E(θ+α)/β。
具体包括:
步骤S5.1、采用带通滤波器组从所述前额脑电信号EEG中分别提取出θ波段、α波段以及β波段的脑电信息。所述带通滤波器组的截止频率分别为BPF1,4-7Hz;BPF2,8-13Hz;BPF3,14-30Hz。
步骤S5.2、根据θ波段、α波段以及β波段的脑电信息,计算θ波段、α波段以及β波段的脑电信号能量E。
步骤S5.3、根据θ波段、α波段以及β波段的脑电信号能量,计算得到θ波段与α波段之和与β波的能量比E(θ+α)/β。将该能量比E(θ+α)/β值作为疲劳检测时的脑电信号特征。
步骤S6、根据前额眼电信号EOG提取得到眨眼频率信息。具体包括:
采用差分阈值法对所述前额眼电信号EOG进行处理,得到眨眼频率信息。
本实施例中步骤S6提取眨眼频率信息时使用的差分阈值法,与步骤S4中的差分阈值法相同。即在提取眨眼频率信息时,采用差分阈值法对所述前额眼电信号EOG进行提取,得到眨眼频率信息,将该眨眼频率信息作为疲劳检测时的眼电信号特征。差分阈值法的计算公式为:
其中,D(i’)表示提取眨眼频率信息时的差分结果,x(i')表示原始的前额眼电信号EOG,N为采样率。
采用差分阈值法计算时,初始阈值同样需要人工选定,选定方法也与步骤S4相同,即首先选取1段长度的信号,该1段长度的信号至少包含10个周期的D(i)差分信号,即10个PR周期,选取该段信号中最大的10个D(i)值的平均值作为初始阈值;后续阈值采用自适应选择方式确定,即当前时刻的前10个PR周期的最大D(i)值的平均值作为后续阈值。
步骤S7、基于脉率PR区间,对心率变异性HRV进行频谱分析,计算得到低频LF和高频HF的能量比ELF/EHF。具体包括:
步骤S7.1、采用频域分析法提取得到心率变异性HRV。
心率变异性HRV指的是逐次心跳周期差异的变化情况,本实施例采用频域分析法提取得到心率变异性HRV,频域分析法的具体过程不再赘述。除此之外,还可以采用时域分析法,或者非线性混沌分析法提取心率变异性HRV。
步骤S7.2、基于提取的脉率PR区间,利用频谱分析仪对所述心率变异性HRV进行频谱分析,得到频谱分析结果,生成低频LF和高频HF。
步骤S7.3、根据频谱分析结果,计算低频LF和高频HF的功率。
步骤S7.4、根据低频LF和高频HF的功率,计算得到低频LF和高频HF的能量比ELF/EHF,将该能量比ELF/EHF作为疲劳检测时的心率信号特征。
步骤S8、构建疲劳检测回归模型。具体包括:
采用支持向量机回归模型,将预先采集的已有的脑电信号、脉搏信号和眼电信号的检测数据集按照预设比例划分为训练集和验证集,利用训练集对所述支持向量机回归模型进行训练,训练完成后得到疲劳检测回归模型。然后利用验证集对所述疲劳检测回归模型进行效果验证,验证疲劳检测回归模型的精度,得到最优的疲劳检测回归模型。
步骤S9、将所述能量比E(θ+α)/β、所述眨眼频率信息和所述能量比ELF/EHF输入至所述疲劳检测回归模型,得到疲劳程度结果。具体包括:
将步骤S5中得到的能量比E(θ+α)/β值作为疲劳检测时的脑电信号特征,将步骤S6中得到的眨眼频率信息作为疲劳检测时的眼电信号特征,将步骤S7中得到的能量比ELF/EHF作为疲劳检测时的心率信号特征,同时输入至步骤S8中得到的疲劳检测回归模型中,最终输出一个融合有脑电、眼电、心率的准确可靠的疲劳检测值,该疲劳检测值能够直接反映出待检测对象的疲劳程度。
本实施例提出了一种融合脑电、眼电、心率的疲劳检测方法,首先采集前额单通道脑电信号EEGraw和前额光电容积脉搏波PPG信号,从前额光电容积脉搏波PPG信号中提取出脉率PR,并利用脉率PR代替心率HR值,然后又在前额单通道脑电信号EEGraw的基础上,分离出了前额眼电信号EOG,从而实现了脑电信号、眼电信号以及心率信号的结合检测,最终将表征脑电信息的能量比E(θ+α)/β、表征眼电信号的眨眼频率信息以及表征心率信号的能量比ELF/EHF输入至疲劳检测回归模型中,即可输出一个疲劳程度值。
相比传统单一特征的检测方法,本发明结合了脑电、眼电、心率三种生理信息,实现了对疲劳程度的多维度评价,能够有效提升疲劳检测的准确性,使得疲劳检测结果更加准确、可靠。同时,这三种生理信息可同时、同步获取得到,并且采用集成式头带同时进行多项特征信息采集,采集过程更加方便,快捷,用时更短,效率更高,避免了对同一待检测对象进行多种不同方式的多次采集,能够实现对疲劳驾驶的持续监测,解决现有的疲劳检测方法无法持续监测、准确性低的问题。
实施例2
如图4所示,本实施例提出了一种融合脑电、眼电、心率的疲劳检测系统,该系统各个模块的功能与实施例1中方法各个步骤相同且一一对应,该系统具体包括:
脑电信号EEGraw和脉搏波PPG信号采集模块M1,用于采集前额单通道脑电信号EEGraw和前额光电容积脉搏波PPG信号;
脑电信号EEGraw和脉搏波PPG信号预处理模块M2,用于对所述前额单通道脑电信号EEGraw和前额光电容积脉搏波PPG信号分别进行预处理,得到脑电信号EEG_clean和脉搏信号PPG_clean;
前额脑电信号EEG和前额眼电信号EOG获取模块M3,用于从所述脑电信号EEG_clean中分离得到前额脑电信号EEG和前额眼电信号EOG;
脉率PR提取模块M4,用于从所述脉搏信号PPG_clean中提取得到脉率PR;
能量比E(θ+α)/β计算模块M5,用于从所述前额脑电信号EEG中提取得到θ波段、α波段以及β波段的脑电信息,并计算θ波段与α波段之和与β波的能量比E(θ+α)/β;
眨眼频率信息提取模块M6,用于根据前额眼电信号EOG提取得到眨眼频率信息;
频谱分析和能量比ELF/EHF计算模块M7,用于基于脉率PR区间,对心率变异性HRV进行频谱分析,计算得到低频LF和高频HF的能量比ELF/EHF;
疲劳检测回归模型建立模块M8,用于构建疲劳检测回归模型;
疲劳程度结果获取模块M9,用于将所述能量比E(θ+α)/β、所述眨眼频率信息和所述能量比ELF/EHF输入至所述疲劳检测回归模型,得到疲劳程度结果。
本说明书中各个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。本说明书中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种融合脑电、眼电、心率的疲劳检测方法,其特征在于,包括:
采集前额单通道脑电信号EEGraw和前额光电容积脉搏波PPG信号;
对所述前额单通道脑电信号EEGraw和前额光电容积脉搏波PPG信号分别进行预处理,得到脑电信号EEG_clean和脉搏信号PPG_clean;
从所述脑电信号EEG_clean中分离得到前额脑电信号EEG和前额眼电信号EOG;
从所述脉搏信号PPG_clean中提取得到脉率PR;
从所述前额脑电信号EEG中提取得到θ波段、α波段以及β波段的脑电信息,并计算θ波段与α波段之和与β波的能量比E(θ+α)/β;
根据前额眼电信号EOG提取得到眨眼频率信息;
基于脉率PR区间,对心率变异性HRV进行频谱分析,计算得到低频LF和高频HF的能量比ELF/EHF;
构建疲劳检测回归模型;
将所述能量比E(θ+α)/β、所述眨眼频率信息和所述能量比ELF/EHF输入至所述疲劳检测回归模型,得到疲劳程度结果。
2.根据权利要求1所述的疲劳检测方法,其特征在于,所述采集前额单通道脑电信号EEGraw和前额光电容积脉搏波PPG信号,具体包括:
将前额单通道脑电信号EEGraw采集器与前额光电容积脉搏波PPG信号采集器集成到同一个头带上,同时采集前额单通道脑电信号EEGraw和前额光电容积脉搏波PPG信号;
所述前额单通道脑电信号EEGraw采集器采用TGAM脑波传感器,所述前额光电容积脉搏波PPG信号采集器采用基于反射式采集方法的发光光源和光电探测器。
3.根据权利要求1所述的疲劳检测方法,其特征在于,所述从所述脑电信号EEG_clean中分离得到前额脑电信号EEG和前额眼电信号EOG,具体包括:
采用经验模态分解与盲源分离算法对脑电信号EEG_clean进行分离处理,得到前额脑电信号EEG和前额眼电信号EOG。
5.根据权利要求1所述的疲劳检测方法,其特征在于,所述从所述前额脑电信号EEG中提取得到θ波段、α波段以及β波段的脑电信息,并计算θ波段与α波段之和与β波的能量比E(θ+α)/β,具体包括:
采用带通滤波器组从所述前额脑电信号EEG中分别提取出θ波段、α波段以及β波段的脑电信息;
根据θ波段、α波段以及β波段的脑电信息,计算θ波段、α波段以及β波段的脑电信号能量;
根据θ波段、α波段以及β波段的脑电信号能量,计算得到θ波段与α波段之和与β波的能量比E(θ+α)/β。
6.根据权利要求5所述的疲劳检测方法,其特征在于,所述带通滤波器组的截止频率分别为BPF1,4-7Hz;BPF2,8-13Hz;BPF3,14-30Hz。
7.根据权利要求1所述的疲劳检测方法,其特征在于,所述根据前额眼电信号EOG提取得到眨眼频率信息,具体包括:
采用差分阈值法对所述前额眼电信号EOG进行处理,得到眨眼频率信息。
8.根据权利要求1所述的疲劳检测方法,其特征在于,所述基于脉率PR区间,对心率变异性HRV进行频谱分析,计算得到低频LF和高频HF的能量比ELF/EHF,具体包括:
采用频域分析法提取得到心率变异性HRV;
基于脉率PR区间,对所述心率变异性HRV进行频谱分析,得到频谱分析结果;
根据频谱分析结果,计算低频LF和高频HF的功率;
根据低频LF和高频HF的功率,计算得到低频LF和高频HF的能量比ELF/EHF。
9.根据权利要求1所述的疲劳检测方法,其特征在于,所述构建疲劳检测回归模型,具体包括:
采用支持向量机回归模型,利用预先采集的脑电信号、脉搏信号和眼电信号的检测数据集对所述支持向量机回归模型进行训练,训练完成后得到疲劳检测回归模型。
10.一种融合脑电、眼电、心率的疲劳检测系统,其特征在于,包括:
脑电信号EEGraw和脉搏波PPG信号采集模块,用于采集前额单通道脑电信号EEGraw和前额光电容积脉搏波PPG信号;
脑电信号EEGraw和脉搏波PPG信号预处理模块,用于对所述前额单通道脑电信号EEGraw和前额光电容积脉搏波PPG信号分别进行预处理,得到脑电信号EEG_clean和脉搏信号PPG_clean;
前额脑电信号EEG和前额眼电信号EOG获取模块,用于从所述脑电信号EEG_clean中分离得到前额脑电信号EEG和前额眼电信号EOG;
脉率PR提取模块,用于从所述脉搏信号PPG_clean中提取得到脉率PR;
能量比E(θ+α)/β计算模块,用于从所述前额脑电信号EEG中提取得到θ波段、α波段以及β波段的脑电信息,并计算θ波段与α波段之和与β波的能量比E(θ+α)/β;
眨眼频率信息提取模块,用于根据前额眼电信号EOG提取得到眨眼频率信息;
频谱分析和能量比ELF/EHF计算模块,用于基于脉率PR区间,对心率变异性HRV进行频谱分析,计算得到低频LF和高频HF的能量比ELF/EHF;
疲劳检测回归模型建立模块,用于构建疲劳检测回归模型;
疲劳程度结果获取模块,用于将所述能量比E(θ+α)/β、所述眨眼频率信息和所述能量比ELF/EHF输入至所述疲劳检测回归模型,得到疲劳程度结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111534633.7A CN114246593A (zh) | 2021-12-15 | 2021-12-15 | 一种融合脑电、眼电、心率的疲劳检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111534633.7A CN114246593A (zh) | 2021-12-15 | 2021-12-15 | 一种融合脑电、眼电、心率的疲劳检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114246593A true CN114246593A (zh) | 2022-03-29 |
Family
ID=80795216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111534633.7A Pending CN114246593A (zh) | 2021-12-15 | 2021-12-15 | 一种融合脑电、眼电、心率的疲劳检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114246593A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115778390A (zh) * | 2023-01-31 | 2023-03-14 | 武汉理工大学 | 基于线性预测分析与堆叠融合的混合模态疲劳检测方法 |
WO2024092505A1 (en) * | 2022-11-01 | 2024-05-10 | Huawei Technologies Co., Ltd. | Methods and devices for continous fatigue monitoring using smart devices |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3154384U (ja) * | 2009-07-29 | 2009-10-15 | 株式会社テクノスジャパン | 精神状態変動装置 |
CN102274032A (zh) * | 2011-05-10 | 2011-12-14 | 北京师范大学 | 一种基于脑电信号的驾驶员疲劳检测系统 |
KR20140128042A (ko) * | 2013-04-26 | 2014-11-05 | 주식회사 라이프사이언스테크놀로지 | 뇌파측정신호의 상태 판단장치 |
US20150032021A1 (en) * | 2013-07-23 | 2015-01-29 | Amtran Technology Co., Ltd. | Safety monitoring system and fatigue monitoring apparatus and fatigue detecting helmet thereof |
CN105105732A (zh) * | 2015-08-14 | 2015-12-02 | 姚丽峰 | 实现脉搏心率检测以及情绪和疲劳程度监测的系统及方法 |
CN105595997A (zh) * | 2016-03-10 | 2016-05-25 | 西安科技大学 | 一种基于台阶式疲劳判定的疲劳驾驶脑电监测方法 |
CN106691474A (zh) * | 2016-11-25 | 2017-05-24 | 中原电子技术研究所(中国电子科技集团公司第二十七研究所) | 融合脑电信号与生理信号的疲劳检测系统 |
CN106691402A (zh) * | 2016-12-19 | 2017-05-24 | 深圳欧德蒙科技有限公司 | 一种基于脉搏特征的疲劳程度分析方法和装置 |
CN107280694A (zh) * | 2017-07-18 | 2017-10-24 | 燕山大学 | 一种基于多源信息融合的疲劳检测方法 |
CN209270777U (zh) * | 2018-10-16 | 2019-08-20 | 中山优感科技有限公司 | 一种智能运动头带 |
KR20190135315A (ko) * | 2018-05-28 | 2019-12-06 | 광운대학교 산학협력단 | 사용자의 집중도를 판단하는 방법 및 이를 위한 웨어러블 디바이스 |
CN111329497A (zh) * | 2020-02-21 | 2020-06-26 | 华南理工大学 | 基于前额脑电信号的可穿戴式疲劳驾驶监测系统及方法 |
CN113349778A (zh) * | 2021-06-03 | 2021-09-07 | 杭州回车电子科技有限公司 | 基于经颅直流电刺激的情绪分析方法、装置和电子装置 |
-
2021
- 2021-12-15 CN CN202111534633.7A patent/CN114246593A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3154384U (ja) * | 2009-07-29 | 2009-10-15 | 株式会社テクノスジャパン | 精神状態変動装置 |
CN102274032A (zh) * | 2011-05-10 | 2011-12-14 | 北京师范大学 | 一种基于脑电信号的驾驶员疲劳检测系统 |
KR20140128042A (ko) * | 2013-04-26 | 2014-11-05 | 주식회사 라이프사이언스테크놀로지 | 뇌파측정신호의 상태 판단장치 |
US20150032021A1 (en) * | 2013-07-23 | 2015-01-29 | Amtran Technology Co., Ltd. | Safety monitoring system and fatigue monitoring apparatus and fatigue detecting helmet thereof |
CN105105732A (zh) * | 2015-08-14 | 2015-12-02 | 姚丽峰 | 实现脉搏心率检测以及情绪和疲劳程度监测的系统及方法 |
CN105595997A (zh) * | 2016-03-10 | 2016-05-25 | 西安科技大学 | 一种基于台阶式疲劳判定的疲劳驾驶脑电监测方法 |
CN106691474A (zh) * | 2016-11-25 | 2017-05-24 | 中原电子技术研究所(中国电子科技集团公司第二十七研究所) | 融合脑电信号与生理信号的疲劳检测系统 |
CN106691402A (zh) * | 2016-12-19 | 2017-05-24 | 深圳欧德蒙科技有限公司 | 一种基于脉搏特征的疲劳程度分析方法和装置 |
CN107280694A (zh) * | 2017-07-18 | 2017-10-24 | 燕山大学 | 一种基于多源信息融合的疲劳检测方法 |
KR20190135315A (ko) * | 2018-05-28 | 2019-12-06 | 광운대학교 산학협력단 | 사용자의 집중도를 판단하는 방법 및 이를 위한 웨어러블 디바이스 |
CN209270777U (zh) * | 2018-10-16 | 2019-08-20 | 中山优感科技有限公司 | 一种智能运动头带 |
CN111329497A (zh) * | 2020-02-21 | 2020-06-26 | 华南理工大学 | 基于前额脑电信号的可穿戴式疲劳驾驶监测系统及方法 |
CN113349778A (zh) * | 2021-06-03 | 2021-09-07 | 杭州回车电子科技有限公司 | 基于经颅直流电刺激的情绪分析方法、装置和电子装置 |
Non-Patent Citations (6)
Title |
---|
丑永新 等: "基于改进滑窗迭代DFT的动态脉率变异性提取", 仪器仪表学报, vol. 36, no. 4, pages 813 - 819 * |
张爱华 等: "脉搏信号功率谱分析对精神疲劳状态的识别", 中国组织工程研究与临床康复, vol. 11, no. 01, pages 118 - 120 * |
李佳玉 等: "基于生理信号的疲劳驾驶研究", 机械工程师, no. 12, pages 25 - 26 * |
杨星星 等: "基于生理信号的疲劳驾驶风险检测方法的研究进展", 中国医学装备, vol. 10, no. 7, pages 57 - 59 * |
杨磊 等: "采用样本熵自适应噪声完备经验模态分解的脑电信号眼电伪迹去除算法", 西安交通大学学报, vol. 54, no. 8, pages 178 - 182 * |
王恁 等: "基于无线脑电信号分析的实时疲劳驾驶检测与预警研究", 太原理工大学学报, vol. 51, no. 6, pages 852 - 859 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024092505A1 (en) * | 2022-11-01 | 2024-05-10 | Huawei Technologies Co., Ltd. | Methods and devices for continous fatigue monitoring using smart devices |
CN115778390A (zh) * | 2023-01-31 | 2023-03-14 | 武汉理工大学 | 基于线性预测分析与堆叠融合的混合模态疲劳检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109157202B (zh) | 一种基于多生理信号深度融合的心血管疾病预警系统 | |
CN107007291A (zh) | 基于多生理参数的紧张情绪强度识别系统及信息处理方法 | |
US11234658B2 (en) | Photoplethysmogram data analysis and presentation | |
CN106691474A (zh) | 融合脑电信号与生理信号的疲劳检测系统 | |
CN107957783B (zh) | 一种基于脑电与肌电信息的多模式智能控制系统及方法 | |
CN114246593A (zh) | 一种融合脑电、眼电、心率的疲劳检测方法及系统 | |
CN106236083B (zh) | 睡眠状态分析中去除眼电伪迹的设备 | |
WO2019191487A1 (en) | Photoplethysmogram data analysis and presentation | |
CN105942974A (zh) | 一种基于低频脑电的睡眠分析方法及系统 | |
CN107280663A (zh) | 一种基于不同实验难度的疲劳脑电特征研究的方法 | |
CN104173043A (zh) | 一种适合于移动平台的心电数据分析方法 | |
CN106166065B (zh) | 一种基于社交网络的可穿戴心电健康交互平台及其实现方法 | |
CN109009028B (zh) | 一种反映人体疲劳程度的穿戴式设备 | |
CN110074765A (zh) | 一种sahs筛查及睡眠分期的判别方法 | |
CN114781465B (zh) | 一种基于rPPG的非接触式疲劳检测系统及方法 | |
CN107212883B (zh) | 一种基于脑电控制的机械臂写字装置及控制方法 | |
CN106175754A (zh) | 睡眠状态分析中清醒状态检测装置 | |
CN107890339A (zh) | 一种睡眠分期检测方法及可穿戴式睡眠分期检测装置 | |
CN107510453A (zh) | 一种前额区脑电分析方法 | |
CN109481164B (zh) | 一种基于脑电信号的电动轮椅控制系统 | |
CN110353704A (zh) | 基于穿戴式心电监测的情绪评估方法与装置 | |
CN106333676B (zh) | 清醒状态下的脑电信号数据类型的标注装置 | |
Kaur et al. | Drowsiness detection based on EEG signal analysis using EMD and trained neural network | |
CN103211586B (zh) | 基于光学检测的无创压信号采集的方法和装置 | |
Carra et al. | Evaluation of sensorimotor rhythms to control a wheelchair |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 250101 building 4, future entrepreneurship Plaza, high tech Zone, Jinan City, Shandong Province Applicant after: Shandong Zhongke advanced technology Co.,Ltd. Address before: Room 306, building 4, future venture Plaza, hi tech Zone, Jinan City, Shandong Province Applicant before: Shandong Zhongke Advanced Technology Research Institute Co.,Ltd. |