CN116746931A - 一种基于脑电的增量式驾驶员不良状态检测方法 - Google Patents
一种基于脑电的增量式驾驶员不良状态检测方法 Download PDFInfo
- Publication number
- CN116746931A CN116746931A CN202310713014.7A CN202310713014A CN116746931A CN 116746931 A CN116746931 A CN 116746931A CN 202310713014 A CN202310713014 A CN 202310713014A CN 116746931 A CN116746931 A CN 116746931A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- groove
- driver
- fixed
- ring
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 210000004556 brain Anatomy 0.000 title claims abstract description 28
- 230000005611 electricity Effects 0.000 title abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000002474 experimental method Methods 0.000 claims abstract description 17
- 230000008451 emotion Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 26
- 239000004033 plastic Substances 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000007789 sealing Methods 0.000 claims description 16
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 15
- 238000013500 data storage Methods 0.000 claims description 15
- 239000000741 silica gel Substances 0.000 claims description 15
- 229910002027 silica gel Inorganic materials 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000009423 ventilation Methods 0.000 claims description 10
- 238000002347 injection Methods 0.000 claims description 9
- 239000007924 injection Substances 0.000 claims description 9
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 8
- 241000276425 Xiphophorus maculatus Species 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000012880 independent component analysis Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007142 ring opening reaction Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 230000019771 cognition Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 125000003003 spiro group Chemical group 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims 1
- 230000007177 brain activity Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000002996 emotional effect Effects 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 210000003128 head Anatomy 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000004888 barrier function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000006748 scratching Methods 0.000 description 2
- 230000002393 scratching effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 239000000499 gel Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/291—Bioelectric electrodes therefor specially adapted for particular uses for 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
- A61B5/30—Input circuits therefor
- A61B5/307—Input circuits therefor specially adapted for particular uses
- A61B5/31—Input circuits therefor specially adapted for particular uses for 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]
-
- 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
- A61B5/24—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]
- A61B5/377—Electroencephalography [EEG] using evoked responses
-
- 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]
- A61B5/386—Accessories or supplementary instruments therefor
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Psychology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Social Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Educational Technology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及生物医学工程技术领域，具体为一种基于脑电的增量式驾驶员不良状态检测方法，包括以下步骤：招募具有不同驾驶年限的驾驶员进行模拟驾驶实验，在不同时间进行驾驶试验以激发驾驶人的疲劳、分心和不良情绪状态，在实验过程中收集被试脑电信号作为训练数据；有益效果为：本发明提出的基于脑电的增量式驾驶员不良状态检测方法，采用脑电信号检测技术，实时准确地检测驾驶员的大脑活动，由于每个人的大脑活动都是独一无二的，因此这种技术具有很高的个性化和精准性；此外，它还根据驾驶员的情绪、注意力、疲劳等状态，以及环境因素如路况、天气等变化，及时发出警报，准确预测驾驶员是否处于不良状态，从而有效地提高了驾驶安全性。
Description
技术领域
本发明涉及生物医学工程领域，具体为一种基于脑电的增量式驾驶员不良状态检测方法。
背景技术
驾驶员的不良状态包括疲劳、分心和不良情绪等等，是交通事故发生的重要诱因。当驾驶员处于不良状态时应对环境变化和紧急情况的能力下降，会部分乃至完全丧失完成驾驶任务的能力。
现有技术中，与其他检测驾驶员不良行为的手段，例如基于图像、基于车辆行为或基于主观报告的方法相比，脑电是一种能够直接测量大脑活动的非侵入式技术，并且人体无法主动隐藏脑电中的相关特征，因此脑电被称为人体状态识别的“金标准”，其在驾驶员不良行为上的应用是十分具有潜力的。
但是，目前脑电领域针对驾驶员不良状态的检测较为细化，往往只针对不良状态的某一具体表现，比如疲劳和分心等进行检测，不能全面地检测驾驶员的驾驶状态。同时，目前的不良状态检测方法多为离线式，即一次训练之后不能根据不同人群或是不同设备进行调整，这极大地影响了它的适用范围。
发明内容
本发明的目的在于提供一种基于脑电的增量式驾驶员不良状态检测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于脑电的增量式驾驶员不良状态检测方法，所述增量式驾驶员不良状态检测方法包括以下步骤：
S1.招募具有不同驾驶年限的驾驶员进行模拟驾驶实验，在不同时间进行驾驶试验以激发驾驶人的疲劳、分心和不良情绪状态，在实验过程中收集被试脑电信号作为训练数据；
S2.针对脑电数据中含有的眼电、肌电、眼电噪声和市电干扰，进行数据预处理进行去噪，对采集到的数据信号，进行1-40Hz带通滤波去除高频噪声和市电干扰后，使用独立成分分析法去除脑电信号中的眼电成分，将去噪完成后的数据分段后作为识别模型的输入数据；
S3.对于不同的分类任务，设计不同的深度学习网络，选择EEGNet作为离线分类模型，并采用Adam随机下降方法进行反向传播，在每一轮训练结束时，使用验证集对模型进行验证和调参，避免过拟合现象的发生；
S4.采用增量学习算法进行在线学习，构建增量式深度学习识别模型；
S5.搭建驾驶员不良状态识别装置，驾驶员不良状态识别装置包括脑
电采集模块、脑电处理与分类模块、反馈模块以及数据存储模块。
优选的，步骤S2具体操作如下：
S2.1：带通滤波，采用有限脉冲响应带通滤波器，根据公式其中，y[n]表示输出信号的第n采样点，x[n-k]表示输入信号在过去的第k个采样点的取值，b[k]表示滤波器的系数，M表示滤波器的阶数，在带通滤波器中，b[k]的取值通常通过窗函数方法计算得出，以实现滤波器在带通频率范围内的频率响应；
S2.2：独立成分分析，独立成分分析法可以从混合信号x(t)中分离出多个独立的源信号x1(t)，x2(t)，...，xm(t)，将非脑电成分删去，得到较为纯净的脑电信号；
S2.3：数据分段，将去噪后的脑电信号根据时间分为脑电数据块，在分段时删去时间窗内波动过大的脑电样本，得到直接作为识别模型输入的脑电数据。
优选的，步骤S3还包括：
使用测试集对模型进行评估，评估指标包括准确率、召回率、F1值，以衡量模型的预测性能。同时使用混淆矩阵工具进行性能分析，假设给定一个带标签的数据集D＝(x1，y1)，(x2，y2)，...，(xn，xn)，其中xi表示第i个数据样本的特征，yi表示第i个数据样本的标签，模型的参数为θ，模型的输出为fθ(x)，损失函数为L(fθ(x)，y)，其中L表示损失函数的形式，比如交叉熵损失函数、均方误差损失函数，具体地：
S3.1：初始化模型参数θ；
S3.2：将数据集D分成若干个大小相等的小批量(batch)Bi，每次从小批量中取出一个样本xj，计算该样本的损失函数L(fθ(xj)，yj)；
S3.3：对损失函数L(fθ(xj)，yj)求导数，得到梯度
S3.4累加每个小批量中所有样本的梯度，得到平均梯度
S3.5使用梯度下降法或其他优化算法，按照学习率α更新模型参数θ，即
优选的，步骤S4还包括，对于新的数据样本(xn+1，yn+1)，使用在线更新方法来更新模型的参数θ，具体操作如下：
S4.1计算新的数据样本的损失函数L(fθ(xn+1)，yn+1)；
S4.2对损失函数L(fθ(xn+1)，yn+1)求导数，得到梯度
步骤4—3：使用梯度下降法或其他优化算法，按照一定的学习率α更新模型参数θ，即
优选的，脑电采集模块：用于采集驾驶员的脑电信号，使用干电极放置在驾驶员头部，将脑电信号转化为电信号进行采集，包括干电极、脑电帽、脑电滤波和放大芯片ADS1299、数据传输芯片；
脑电处理与分类模块：与脑电采集模块、反馈模块和数据存储模块连接，接受采集到的信号，对采集到的脑电信号进行预处理，包括滤波、去噪、特征提取，以提高信号质量和提取有效信息并提取驾驶员脑电信号的特征，包括频域特征和时域特征，以提取驾驶员的认知和情感状态，并将处理完成的结果传输至反馈模块和数据存储模块，由ARM架构微处理器、ADC模块、存储设备和数据传输芯片组成；
反馈模块：与脑电处理与分类模块连接，接收驾驶员不良状态分类结果，通过视觉、声音方式，对驾驶员进行实时反馈，提醒其修正状态，减少驾驶危险，主要由LED灯、蜂鸣器、振动马达、按钮和控制芯片组成；
数据存储模块：与脑电处理与分类模块连接，将采集到的脑电信号和分类结果进行存储，以便后续分析和改进，主要由存储芯片、存储控制器、接口电路组成。
优选的，所述脑电帽包括脑电帽透气网罩，脑电帽透气网罩的表面开设有多个预留口，预留口的内部安装有电极固定座，电极固定座的表面安装有电极，多个电极通过导联线集成连接，电极固定座的表面滑动连接有挡片，用于限位电极，电极和电极固定座之间设有弹性承托组件，脑电帽透气网罩的底面固定有塑料套环，塑料套环的内环面设有气囊环，气囊环的顶部插接有两组输气软管，两组输气软管的一端分别设有单向注气阀和螺接头，螺接头的一端螺接有螺接罩，塑料套环的外环面开设有收线槽，用于收纳导线，收线槽的底面滑动连接有封环。
优选的，所述脑电帽透气网罩呈半球形框体结构，电极固定座呈环形板状结构，电极固定座的底面固定有硅胶连板，硅胶连板固定在脑电帽透气网罩的内壁上，电极固定座的顶面对称开设有两个拼装槽，拼装槽的内部滑动连接有拼装板，拼装板固定在电极的表面，电极的表面固定有连接触片一，连接触片一和连接触片二电性连接，连接触片二固定在拼装槽的表面，导联线的端部固定在连接触片二的表面。
优选的，所述弹性承托组件包括垫环、弹性撑框以及橡胶护片，垫环呈环形板状结构，垫环固定在电极固定座的内环口，垫环的顶面对称固定有两个弹性撑框，弹性撑框呈倒置的“U”字形条，弹性撑框的内环面对称固定有两个橡胶护片，电极固定座的顶面对称开设有两个安装槽，安装槽的两个平行分布的侧壁之间固定有限位条，限位条呈“凹”字形板状结构，挡片呈“L”形板状机构，挡片活动插接在限位条和安装槽之间，且挡片伸出安装槽的一端顶面设有斜面，挡片的另一端和安装槽之间固定有橡胶夹块，橡胶夹块呈圆环形板状结构，橡胶夹块的外环面对称设有两个平面，两个平面分别固定在安装槽和挡片的表面，橡胶夹块的外环面对称开设有两个预留槽，预留槽呈圆弧形槽，预留槽的内部固定有橡胶管，橡胶管的高度小于橡胶夹块的厚度，橡胶管的外环面对称固定有两个弹性撑片，弹性撑片呈“L”形圆弧板，且弹性撑片固定在橡胶夹块的表面。
优选的，所述收线槽呈圆环形槽，收线槽的底面开设有边槽，边槽呈圆环形槽，边槽的内环口径大于收线槽的内环口径，封环套设在边槽中，封环的高度大于收线槽的高度，封环的底面开设有多个嵌入槽，嵌入槽的顶面开设有穿孔，边槽的底面固定有多个限位柱，限位柱和嵌入槽一一对应，限位柱的高度等于边槽的高度，限位柱的顶端固定有橡胶塞头，橡胶塞头的直径大于穿孔的孔径，限位柱的杆体上套设有弹簧，弹簧固定在边槽和嵌入槽之间，封环的外环面开设有抠取槽，抠取槽呈环形槽。
优选的，所述塑料套环的顶面开设有束管槽，输气软管推入束管槽内收纳，且束管槽的内环面固定有橡胶挡条，橡胶挡条呈圆弧形条，橡胶挡条设有两个，两个橡胶挡条关于束管槽对称分布，单向注气阀、螺接头以及螺接罩均推入束管槽中，塑料套环的内环面开设有收纳槽，收纳槽呈环形槽，气囊环呈断面为“凸”字形的内部中空的圆环板状结构，气囊环的内环面固定有多个硅胶夹片，硅胶夹片呈“凹”字形圆弧板结构。
与现有技术相比，本发明的有益效果是：
本发明提出的基于脑电的增量式驾驶员不良状态检测方法，采用脑电信号检测技术，实时准确地检测驾驶员的大脑活动，由于每个人的大脑活动都是独一无二的，因此这种技术具有很高的个性化和精准性；此外，它还根据驾驶员的情绪、注意力、疲劳等状态，以及环境因素如路况、天气等变化，及时发出警报，准确预测驾驶员是否处于不良状态，从而有效地提高了驾驶安全性；
实现实时地对驾驶员的大脑活动进行检测和分析，及时给出报警信号，保证了驾驶员和车辆的安全；如果驾驶员出现异常状态，系统立即对这种状态进行识别并发出警告，有效避免了潜在的安全风险；能够根据驾驶员的不同特征和状态，动态地调整检测参数和阈值，实现个性化定制；这种自适应性设计可以使系统更加准确地识别不良状态，同时减少误报率；
采用了增量式的数据处理方法，实时更新驾驶员状态的检测结果，从而更加精准地反映当前驾驶员的状态；相比于传统的离线批量式数据处理方法，增量式检测不需要等待大量数据的积累，能够快速地做出反应，同时还能够减少系统的计算负担，提高检测效率，并可以根据使用中的反馈实时调整模型，适应不同人群的使用；检测多种不良状态，如疲劳、分心、情绪异常等；不同于其他只针对疲劳或是分心的识别装置，具有很强的适应性和实用性，实现了集成化；
通过不同的检测模型和参数配置，对不同的驾驶员进行个性化管理，使得系统能够更好地适应不同驾驶员的习惯和特征，从而更加精准地识别不良状态，这种个性化管理不仅可以提高检测的准确性，还在驾驶员异常状态发生时进行快速响应，提高驾驶安全性。
附图说明
图1为本发明方法流程图；
图2为本发明驾驶员不良状态检测装置结构示意图；
图3为本发明脑电帽透气网罩结构示意图；
图4为本发明塑料套环结构示意图；
图5为本发明塑料套环局部剖开后结构示意图；
图6为本发明螺接头和螺接罩连接结构示意图；
图7为本发明收线槽分布结构示意图；
图8为本发明气囊环和硅胶夹片连接结构示意图；
图9为本发明脑电帽透气网罩顶端局部结构剖开后示意图；
图10为本发明电极固定座和电极连接结构示意图；
图11为本发明电极固定座内部结构示意图；
图12为本发明橡胶夹块和弹性撑片连接结构示意图；
图13为本发明垫环和弹性撑框连接结构示意图；
图14为本发明电极底部结构示意图。
图中：脑电帽透气网罩1、预留口2、电极固定座3、硅胶连板4、拼装槽5、拼装板6、电极7、连接触片一8、连接触片二9、垫环10、弹性撑框11、橡胶护片12、安装槽13、挡片14、斜面15、限位条16、橡胶夹块17、预留槽18、橡胶管19、弹性撑片20、导联线21、塑料套环22、收纳槽23、气囊环24、硅胶夹片25、预留孔26、输气软管27、束管槽28、橡胶挡条29、单向注气阀30、螺接头31、螺接罩32、收线槽33、导线34、边槽35、封环36、嵌入槽37、穿孔38、限位柱39、弹簧40、橡胶塞头41、抠取槽42、缺槽43。
具体实施方式
为了使本发明的目的、技术方案进行清楚、完整地描述，及优点更加清楚明白，以下结合附图对本发明实施例进行进一步详细说明。应当理解，此处所描述的具体实施例是本发明一部分实施例，而不是全部的实施例，仅仅用以解释本发明实施例，并不用于限定本发明实施例，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。
实施例一
请参阅图1-图2，本发明提供一种技术方案：一种基于脑电的增量式驾驶员不良状态检测方法，所述增量式驾驶员不良状态检测方法包括以下步骤：
S1.招募具有不同驾驶年限的驾驶员进行模拟驾驶实验，在不同时间进行驾驶试验以激发驾驶人的疲劳、分心和不良情绪状态，在实验过程中收集被试脑电信号作为训练数据；
S2.针对脑电数据中含有的眼电、肌电、眼电噪声和市电干扰，进行数据预处理进行去噪，对采集到的数据信号，进行1-40Hz带通滤波去除高频噪声和市电干扰后，使用独立成分分析法去除脑电信号中的眼电成分，将去噪完成后的数据分段后作为识别模型的输入数据；步骤S2具体操作如下：
S2.1：带通滤波，采用有限脉冲响应带通滤波器，根据公式其中，y[n]表示输出信号的第n采样点，x[n-k]表示输入信号在过去的第k个采样点的取值，b[k]表示滤波器的系数，M表示滤波器的阶数，在带通滤波器中，b[k]的取值通常通过窗函数方法计算得出，以实现滤波器在带通频率范围内的频率响应；
S2.2：独立成分分析，独立成分分析法可以从混合信号x(t)中分离出多个独立的源信号x1(t)，x2(t)，...，xm(t)，将非脑电成分删去，得到较为纯净的脑电信号；
S2.3：数据分段，将去噪后的脑电信号根据时间分为脑电数据块，在分段时删去时间窗内波动过大的脑电样本，得到直接作为识别模型输入的脑电数据；
S3.对于不同的分类任务，设计不同的深度学习网络，选择EEGNet作为离线分类模型，并采用Adam随机下降方法进行反向传播，在每一轮训练结束时，使用验证集对模型进行验证和调参，避免过拟合现象的发生；步骤S3还包括：
使用测试集对模型进行评估，评估指标包括准确率、召回率、F1值，以衡量模型的预测性能。同时使用混淆矩阵工具进行性能分析，假设给定一个带标签的数据集D＝(x1，y1)，(x2，y2)，...，(xn，xn)，其中xi表示第i个数据样本的特征，yi表示第i个数据样本的标签，模型的参数为θ，模型的输出为fθ(x)，损失函数为L(fθ(x)，y)，其中L表示损失函数的形式，比如交叉熵损失函数、均方误差损失函数，具体地：
S3.1：初始化模型参数θ；
S3.2：将数据集D分成若干个大小相等的小批量(batch)Bi，每次从小批量中取出一个样本xj，计算该样本的损失函数L(fθ(xj)，yj)；
S3.3：对损失函数L(fθ(xj)，yj)求导数，得到梯度
S3.4累加每个小批量中所有样本的梯度，得到平均梯度
S3.5使用梯度下降法或其他优化算法，按照学习率α更新模型参数θ，即
S4.采用增量学习算法进行在线学习，构建增量式深度学习识别模型；步骤S4还包括，对于新的数据样本(xn+1，yn+1)，使用在线更新方法来更新模型的参数θ，具体操作如下：
S4.1计算新的数据样本的损失函数L(fθ(xn+1)，yn+1)；
S4.2对损失函数L(fθ(xn+1)，yn+1)求导数，得到梯度
步骤4—3：使用梯度下降法或其他优化算法，按照一定的学习率α更新模型参数θ，即
S5.搭建驾驶员不良状态识别装置，驾驶员不良状态识别装置包括脑电采集模块、脑电处理与分类模块、反馈模块以及数据存储模块；脑电采集模块：用于采集驾驶员的脑电信号，使用干电极放置在驾驶员头部，将脑电信号转化为电信号进行采集，包括干电极、脑电帽、脑电滤波和放大芯片ADS1299、数据传输芯片；
脑电处理与分类模块：与脑电采集模块、反馈模块和数据存储模块连接，接受采集到的信号，对采集到的脑电信号进行预处理，包括滤波、去噪、特征提取，以提高信号质量和提取有效信息并提取驾驶员脑电信号的特征，包括频域特征和时域特征，以提取驾驶员的认知和情感状态，并将处理完成的结果传输至反馈模块和数据存储模块，由ARM架构微处理器、ADC模块、存储设备和数据传输芯片组成；
反馈模块：与脑电处理与分类模块连接，接收驾驶员不良状态分类结果，通过视觉、声音方式，对驾驶员进行实时反馈，提醒其修正状态，减少驾驶危险，主要由LED灯、蜂鸣器、振动马达、按钮和控制芯片组成；
数据存储模块：与脑电处理与分类模块连接，将采集到的脑电信号和分类结果进行存储，以便后续分析和改进，主要由存储芯片、存储控制器、接口电路组成。
实施例二
在实施例一的基础上，基于脑电的增量式驾驶员不良状态检测方法的具体实施如下：
1.脑电模型离线训练数据获取实验
脑电帽透气网罩1实验前准备：
在实验开始前，首先对所使用的设备进行严格的检查和设置。包括确保汽车模拟驾驶器的硬件设备如方向盘、刹车、油门等都处于良好状态，同时，调整汽车模拟驾驶器的软件环境，比如路况、天气、车辆流量等以匹配实验需求。驾驶员需同时佩戴眼动仪，以记录眼睑开合度等数据，作为驾驶员是否疲劳的参照。
对脑电图采集设备校准精确度，且在整个实验过程中要保持精确且稳定的数据读取。对于每个参与者，需要仔细的装配脑电图电极帽，并使用导电凝胶来保证电极与头皮的接触良好，减小噪声影响。
预留口2实验过程
①基线数据获取：在驾驶员没有进行任何驾驶行为前，记录他们在安静状态下的脑电图数据，持续时间应不少于5分钟。这些数据将用作比较基础，帮助算法理解每个个体的脑电图基线。
②模拟驾驶：驾驶员进入模拟驾驶环境，如下图所示，实验应该包括以下的驾驶场景：
城市驾驶：驾驶员在城市环境中驾驶，需要遵循交通规则，应对路口、行人、自行车和其他汽车等。这个环境设计用来模拟城市中的复杂驾驶环境，以诱发驾驶员的注意力分散、压力增大等状态。
高速驾驶：驾驶员在高速公路上驾驶，需要保持稳定的速度并应对可能出现的突发状况。这个环境设计用来模拟高速驾驶中的高度专注和可能出现的驾驶疲劳状态。
夜间驾驶：模拟夜间或者低光照环境驾驶，视线受限，驾驶员需要更加集中注意力。这个环境可以诱发驾驶员的压力增大、注意力高度集中等状态。
③诱导驾驶员的不良状态
长时间驾驶：让驾驶员连续驾驶2—3小时，以诱发疲劳状态。
不良情绪诱发：让驾驶员在驾驶前观看一段影片以激发被试的不良情绪状态。
突发事件：在模拟环境中设计突发情况，例如汽车突然出现故障、前方出现障碍物等，以诱发驾驶员的惊慌和压力状态。
信息过载：在模拟环境中设置信息过载的情况，例如同一时间提供多个需要驾驶员处理的信息，以诱发驾驶员的焦虑和注意力分散状态。
这些状态应该在脑电图采集设备同时运行，记录这些不良状态时驾驶员的脑电信号。
电极固定座3问卷调查
完成驾驶模拟后，对驾驶员进行简单的访谈及问卷调查，收集他们在驾驶过程中的感受和体验，这些信息可以用于验证脑电图数据的解读。
2.脑电模型增量式训练验证实验
脑电帽透气网罩1实验目标：通过在线模拟驾驶验证训练好的基于脑电的增量式驾驶员不良状态检测算法的性能。
预留口2实验参与者：参与者应包括实验一中的驾驶员以及一些新的驾驶员，以测试算法的泛化能力。
电极固定座3设备设置：同样使用汽车模拟驾驶器，包括方向盘、刹车、油门等硬件设备，并连接高精度的脑电图采集设备。此外，需要将已经训练好的增量式驾驶员不良状态检测算法接入系统中。
硅胶连板4实验过程：
1)基线数据获取：同样在驾驶员没有进行任何驾驶行为前，记录他们在安静状态下的脑电图数据，持续时间应不少于5分钟。
2)在线驾驶：驾驶员进入模拟驾驶环境，实验过程中也应该包括城市驾驶、高速驾驶、夜间驾驶等场景。在驾驶过程中，检测算法应该实时分析驾驶员的脑电数据，并给出不良状态的预警。
3)不良状态诱导：为了验证算法的预警能力，需要同样故意诱导驾驶员产生疲劳、焦虑、分心等不良状态。可以通过长时间驾驶、突发事件和信息过载等方式诱发。
4)结果验证：记录算法的预警结果，包括预警时间、预警类型等，并通过驾驶员的反馈和驾驶行为进行验证。例如，如果算法预警驾驶员疲劳，但驾驶员表示自己精力充沛，或者驾驶行为中没有出现疲劳的迹象，那么可以认为该预警是误报。同时在实验过程中，增量式学习算法会根据模型预测的标签和驾驶员的报告结果进行比对，产生了误报的情况，模型会对自身参数进行修正。
结果分析：对比算法的预警结果和实际情况，评估算法的准确率、误报率和漏报率。
实施例三
在实施例一的基础上，参照附图9至图14，为了实现对便捷式对电极单独更换；脑电帽包括脑电帽透气网罩1，脑电帽透气网罩1的表面开设有多个预留口2，预留口2的内部安装有电极固定座3，电极固定座3的表面安装有电极7，多个电极7通过导联线21集成连接，电极固定座3的表面滑动连接有挡片14，用于限位电极7，电极7和电极固定座3之间设有弹性承托组件，脑电帽透气网罩1呈半球形框体结构，电极固定座3呈环形板状结构，电极固定座3的底面固定有硅胶连板4，硅胶连板4固定在脑电帽透气网罩1的内壁上，电极固定座3的顶面对称开设有两个拼装槽5，拼装槽5的内部滑动连接有拼装板6，拼装板6固定在电极7的表面，电极7的表面固定有连接触片一8，连接触片一8和连接触片二9电性连接，连接触片二9固定在拼装槽5的表面，导联线21的端部固定在连接触片二9的表面，弹性承托组件包括垫环10、弹性撑框11以及橡胶护片12，垫环10呈环形板状结构，垫环10固定在电极固定座3的内环口，垫环10的顶面对称固定有两个弹性撑框11，弹性撑框11呈倒置的“U”字形条，弹性撑框11的内环面对称固定有两个橡胶护片12，电极固定座3的顶面对称开设有两个安装槽13，安装槽13的两个平行分布的侧壁之间固定有限位条16，限位条16呈“凹”字形板状结构，挡片14呈“L”形板状机构，挡片14活动插接在限位条16和安装槽13之间，且挡片14伸出安装槽13的一端顶面设有斜面15，挡片14的另一端和安装槽13之间固定有橡胶夹块17，橡胶夹块17呈圆环形板状结构，橡胶夹块17的外环面对称设有两个平面，两个平面分别固定在安装槽13和挡片14的表面，橡胶夹块17的外环面对称开设有两个预留槽18，预留槽18呈圆弧形槽，预留槽18的内部固定有橡胶管19，橡胶管19的高度小于橡胶夹块17的厚度，橡胶管19的外环面对称固定有两个弹性撑片20，弹性撑片20呈“L”形圆弧板，且弹性撑片20固定在橡胶夹块17的表面。
当电极7被挡片14阻挡安装在电极固定座3的内环口时，电极7向下挤压弹性撑框11，弹性撑框11受压后，弹性撑框11和橡胶护片12均出现形变，此时连接触片一8和连接触片二9电性连接，需要更换电极7时，两个手指同时伸入电极固定座3两侧的两个限位条16的槽体处，拨动挡片14挤压橡胶夹块17形变，在此过程中，橡胶管19和弹性撑片20均发生形变，当挡片14从电极7的上方扯离后，弹性撑框11和橡胶护片12回弹，将电极7顶部顶托突出电极固定座3的内环口，然后将电极7从电极固定座3的内环口抽出即可，电极7抽出后，橡胶夹块17、橡胶管19以及弹性撑片20回弹顶推挡片14复位
实施例四
参照附图3至图8，在实施例三的基础上，为了实现对脑电帽透气网罩1配带，脑电帽透气网罩1的底面固定有塑料套环22，塑料套环22的内环面设有气囊环24，气囊环24的顶部插接有两组输气软管27，输气软管27贯穿预留孔26，预留孔26两开设在收纳槽23的顶面和束管槽28的底面之间组输气软管27的一端分别设有单向注气阀30和螺接头31，螺接头31的一端螺接有螺接罩32，塑料套环22的外环面开设有收线槽33，用于收纳导线34，收线槽33的底面滑动连接有封环36，收线槽33呈圆环形槽，收线槽33的底面开设有边槽35，边槽35呈圆环形槽，边槽35的内环口径大于收线槽33的内环口径，封环36套设在边槽35中，封环36的高度大于收线槽33的高度，封环36的底面开设有多个嵌入槽37，嵌入槽37的顶面开设有穿孔38，边槽35的底面固定有多个限位柱39，限位柱39和嵌入槽37一一对应，限位柱39的高度等于边槽35的高度，限位柱39的顶端固定有橡胶塞头41，橡胶塞头41的直径大于穿孔38的孔径，限位柱39的杆体上套设有弹簧40，弹簧40固定在边槽35和嵌入槽37之间，封环36的外环面开设有抠取槽42，抠取槽42呈环形槽，塑料套环22的顶面开设有束管槽28，输气软管27推入束管槽28内收纳，且束管槽28的内环面固定有橡胶挡条29，橡胶挡条29呈圆弧形条，橡胶挡条29设有两个，两个橡胶挡条29关于束管槽28对称分布，单向注气阀30、螺接头31以及螺接罩32均推入束管槽28中，塑料套环22的内环面开设有收纳槽23，收纳槽23呈环形槽，气囊环24呈断面为“凸”字形的内部中空的圆环板状结构，气囊环24的内环面固定有多个硅胶夹片25，硅胶夹片25呈“凹”字形圆弧板结构。
需要配带脑电帽透气网罩1时，将脑电帽透气网罩1和预留口2套在头部，将连接有单向注气阀30的输气软管27从束管槽28抽出，使用者通过单向注气阀30和输气软管27向气囊环24内部吹气，气囊环24膨胀后填充塑料套环22和佩戴者头部之间空隙，直到佩戴者觉察到塑料套环22不会在头部掉落时停止吹气，为了便于将输气软管27从束管槽28抽出，在束管槽28的表面开设缺槽43，增加手指伸入束管槽28的空间；当脑电帽透气网罩1使用后，将安装有螺接头31的输气软管27从束管槽28抽出，将螺接罩32从螺接头31的端部旋拧拆除，此时气囊环24内部气体从输气软管27和螺接头31排出，将预留口2从佩戴者头部拆除即可；
手指抠在抠取槽42中，向下拨动封环36沿着边槽35下滑，在此过程中，弹簧40被压缩，直到收线槽33漏出，此时橡胶塞头41塞入穿孔38中，实现对封环36制动，将使用后的导线34缠绕在收线槽33中，然后再次抠在抠取槽42中，向上拨动封环36，橡胶塞头41从穿孔38脱离，弹簧40回弹顶托封环36对收线槽33遮挡，实现对收纳在收线槽33内部的导线34防护。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于脑电的增量式驾驶员不良状态检测方法，其特征在于：所述增量式驾驶员不良状态检测方法包括以下步骤：
S1.招募具有不同驾驶年限的驾驶员进行模拟驾驶实验，在不同时间进行驾驶试验以激发驾驶人的疲劳、分心和不良情绪状态，在实验过程中收集被试脑电信号作为训练数据；
S2.针对脑电数据中含有的眼电、肌电、眼电噪声和市电干扰，进行数据预处理进行去噪，对采集到的数据信号，进行1-40Hz带通滤波去除高频噪声和市电干扰后，使用独立成分分析法去除脑电信号中的眼电成分，将去噪完成后的数据分段后作为识别模型的输入数据；
S3.对于不同的分类任务，设计不同的深度学习网络，选择EEGNet作为离线分类模型，并采用Adam随机下降方法进行反向传播，在每一轮训练结束时，使用验证集对模型进行验证和调参，避免过拟合现象的发生；
S4.采用增量学习算法进行在线学习,构建增量式深度学习识别模型；
S5.搭建驾驶员不良状态识别装置，驾驶员不良状态识别装置包括脑电采集模块、脑电处理与分类模块、反馈模块以及数据存储模块。
2.根据权利要求1所述的一种基于脑电的增量式驾驶员不良状态检测方法，其特征在于：步骤S2具体操作如下：
S2.1：带通滤波,采用有限脉冲响应带通滤波器，根据公式其中，y[n]表示输出信号的第n采样点，z[n-k]表示输入信号在过去的第k个采样点的取值，b[k]表示滤波器的系数，M表示滤波器的阶数，在带通滤波器中，b[k]的取值通常通过窗函数方法计算得出，以实现滤波器在带通频率范围内的频率响应；
S2.2：独立成分分析，独立成分分析法可以从混合信号x(t)中分离出多个独立的源信号x1(t),x2(t),...,xm(t)，将非脑电成分删去，得到较为纯净的脑电信号；
S2.3：数据分段，将去噪后的脑电信号根据时间分为脑电数据块，在分段时删去时间窗内波动过大的脑电样本，得到直接作为识别模型输入的脑电数据。
3.根据权利要求1所述的一种基于脑电的增量式驾驶员不良状态检测方法，其特征在于：步骤S3还包括：
使用测试集对模型进行评估，评估指标包括准确率、召回率、F1值，以衡量模型的预测性能，同时使用混淆矩阵工具进行性能分析，假设给定一个带标签的数据集D＝(x1,y1),(x2,y2),…,(xn,yn)，其中xi表示第i个数据样本的特征，yi表示第i个数据样本的标签，模型的参数为θ，模型的输出为fθ(x)，损失函数为L(fθ(x),y)，其中L表示损失函数的形式，比如交叉熵损失函数、均方误差损失函数，具体地：
S3.1：初始化模型参数θ；
S3.2：将数据集D分成若干个大小相等的小批量(batch)Bi，每次从小批量中取出一个样本xj，计算该样本的损失函数L(fθ(xj),yj)；
S3.3：对损失函数L(fθ(xj),yj)求导数，得到梯度
S3.4累加每个小批量中所有样本的梯度，得到平均梯度
S3.5使用梯度下降法或其他优化算法，按照学习率α更新模型参数θ，即
4.根据权利要求1所述的一种基于脑电的增量式驾驶员不良状态检测方法，其特征在于：步骤S4还包括，对于新的数据样本(xn+1,yn+1)，使用在线更新方法来更新模型的参数θ，具体操作如下：
S4.1计算新的数据样本的损失函数L(fθ(xn+1),yn+1)；
S4.2对损失函数L(fθ(xn+1),yn+1)求导数，得到梯度
步骤4-3：使用梯度下降法或其他优化算法，按照一定的学习率α更新模型参数θ，即
5.根据权利要求1所述的一种基于脑电的增量式驾驶员不良状态检测方法，其特征在于：脑电采集模块：用于采集驾驶员的脑电信号，使用干电极放置在驾驶员头部，将脑电信号转化为电信号进行采集，包括干电极、脑电帽、脑电滤波和放大芯片ADS1299、数据传输芯片；
脑电处理与分类模块：与脑电采集模块、反馈模块和数据存储模块连接，接受采集到的信号，对采集到的脑电信号进行预处理，包括滤波、去噪、特征提取，以提高信号质量和提取有效信息并提取驾驶员脑电信号的特征，包括频域特征和时域特征，以提取驾驶员的认知和情感状态，并将处理完成的结果传输至反馈模块和数据存储模块，由ARM架构微处理器、ADC模块、存储设备和数据传输芯片组成；
反馈模块：与脑电处理与分类模块连接，接收驾驶员不良状态分类结果，通过视觉、声音方式，对驾驶员进行实时反馈，提醒其修正状态，减少驾驶危险，主要由LED灯、蜂鸣器、振动马达、按钮和控制芯片组成；
数据存储模块：与脑电处理与分类模块连接，将采集到的脑电信号和分类结果进行存储，以便后续分析和改进，主要由存储芯片、存储控制器、接口电路组成。
6.根据权利要求5所述的一种基于脑电的增量式驾驶员不良状态检测方法，其特征在于：所述脑电帽包括脑电帽透气网罩(1)，脑电帽透气网罩(1)的表面开设有多个预留口(2)，预留口(2)的内部安装有电极固定座(3)，电极固定座(3)的表面安装有电极(7)，多个电极(7)通过导联线(21)集成连接，电极固定座(3)的表面滑动连接有挡片(14)，用于限位电极(7)，电极(7)和电极固定座(3)之间设有弹性承托组件，脑电帽透气网罩(1)的底面固定有塑料套环(22)，塑料套环(22)的内环面设有气囊环(24)，气囊环(24)的顶部插接有两组输气软管(27)，两组输气软管(27)的一端分别设有单向注气阀(30)和螺接头(31)，螺接头(31)的一端螺接有螺接罩(32)，塑料套环(22)的外环面开设有收线槽(33)，用于收纳导线(34)，收线槽(33)的底面滑动连接有封环(36)。
7.根据权利要求6所述的一种基于脑电的增量式驾驶员不良状态检测方法，其特征在于：所述脑电帽透气网罩(1)呈半球形框体结构，电极固定座(3)呈环形板状结构，电极固定座(3)的底面固定有硅胶连板(4)，硅胶连板(4)固定在脑电帽透气网罩(1)的内壁上，电极固定座(3)的顶面对称开设有两个拼装槽(5)，拼装槽(5)的内部滑动连接有拼装板(6)，拼装板(6)固定在电极(7)的表面，电极(7)的表面固定有连接触片一(8)，连接触片一(8)和连接触片二(9)电性连接，连接触片二(9)固定在拼装槽(5)的表面，导联线(21)的端部固定在连接触片二(9)的表面。
8.根据权利要求7所述的一种基于脑电的增量式驾驶员不良状态检测方法，其特征在于：所述弹性承托组件包括垫环(10)、弹性撑框(11)以及橡胶护片(12)，垫环(10)呈环形板状结构，垫环(10)固定在电极固定座(3)的内环口，垫环(10)的顶面对称固定有两个弹性撑框(11)，弹性撑框(11)呈倒置的“U”字形条，弹性撑框(11)的内环面对称固定有两个橡胶护片(12)，电极固定座(3)的顶面对称开设有两个安装槽(13)，安装槽(13)的两个平行分布的侧壁之间固定有限位条(16)，限位条(16)呈“凹”字形板状结构，挡片(14)呈“L”形板状机构，挡片(14)活动插接在限位条(16)和安装槽(13)之间，且挡片(14)伸出安装槽(13)的一端顶面设有斜面(15)，挡片(14)的另一端和安装槽(13)之间固定有橡胶夹块(17)，橡胶夹块(17)呈圆环形板状结构，橡胶夹块(17)的外环面对称设有两个平面，两个平面分别固定在安装槽(13)和挡片(14)的表面，橡胶夹块(17)的外环面对称开设有两个预留槽(18)，预留槽(18)呈圆弧形槽，预留槽(18)的内部固定有橡胶管(19)，橡胶管(19)的高度小于橡胶夹块(17)的厚度，橡胶管(19)的外环面对称固定有两个弹性撑片(20)，弹性撑片(20)呈“L”形圆弧板，且弹性撑片(20)固定在橡胶夹块(17)的表面。
9.根据权利要求6所述的一种基于脑电的增量式驾驶员不良状态检测方法，其特征在于：所述收线槽(33)呈圆环形槽，收线槽(33)的底面开设有边槽(35)，边槽(35)呈圆环形槽，边槽(35)的内环口径大于收线槽(33)的内环口径，封环(36)套设在边槽(35)中，封环(36)的高度大于收线槽(33)的高度，封环(36)的底面开设有多个嵌入槽(37)，嵌入槽(37)的顶面开设有穿孔(38)，边槽(35)的底面固定有多个限位柱(39)，限位柱(39)和嵌入槽(37)一一对应，限位柱(39)的高度等于边槽(35)的高度，限位柱(39)的顶端固定有橡胶塞头(41)，橡胶塞头(41)的直径大于穿孔(38)的孔径，限位柱(39)的杆体上套设有弹簧(40)，弹簧(40)固定在边槽(35)和嵌入槽(37)之间，封环(36)的外环面开设有抠取槽(42)，抠取槽(42)呈环形槽。
10.根据权利要求6所述的一种基于脑电的增量式驾驶员不良状态检测方法，其特征在于：所述塑料套环(22)的顶面开设有束管槽(28)，输气软管(27)推入束管槽(28)内收纳，且束管槽(28)的内环面固定有橡胶挡条(29)，橡胶挡条(29)呈圆弧形条，橡胶挡条(29)设有两个，两个橡胶挡条(29)关于束管槽(28)对称分布，单向注气阀(30)、螺接头(31)以及螺接罩(32)均推入束管槽(28)中，塑料套环(22)的内环面开设有收纳槽(23)，收纳槽(23)呈环形槽，气囊环(24)呈断面为“凸”字形的内部中空的圆环板状结构，气囊环(24)的内环面固定有多个硅胶夹片(25)，硅胶夹片(25)呈“凹”字形圆弧板结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310713014.7A CN116746931B (zh) | 2023-06-15 | 2023-06-15 | 一种基于脑电的增量式驾驶员不良状态检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310713014.7A CN116746931B (zh) | 2023-06-15 | 2023-06-15 | 一种基于脑电的增量式驾驶员不良状态检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116746931A true CN116746931A (zh) | 2023-09-15 |
| CN116746931B CN116746931B (zh) | 2024-03-19 |
Family
ID=87956596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310713014.7A Active CN116746931B (zh) | 2023-06-15 | 2023-06-15 | 一种基于脑电的增量式驾驶员不良状态检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116746931B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006006667A (ja) * | 2004-06-25 | 2006-01-12 | Olympus Corp | 脳機能検出装置 |
| JP2006006666A (ja) * | 2004-06-25 | 2006-01-12 | Olympus Corp | 脳波検出用電極装置、脳波検出装置、キャップおよびパッケージ |
| US20090040054A1 (en) * | 2007-04-11 | 2009-02-12 | Nec Laboratories America, Inc. | Real-time driving danger level prediction |
| CN109820525A (zh) * | 2019-01-23 | 2019-05-31 | 五邑大学 | 一种基于cnn-lstm深度学习模型的驾驶疲劳识别方法 |
| CN110151173A (zh) * | 2019-06-08 | 2019-08-23 | 龙岩学院 | 一种用于检测癫痫病灶的设备 |
| CN110464371A (zh) * | 2019-08-29 | 2019-11-19 | 苏州中科先进技术研究院有限公司 | 基于机器学习的疲劳驾驶检测方法及系统 |
| US20200337625A1 (en) * | 2019-04-24 | 2020-10-29 | Interaxon Inc. | System and method for brain modelling |
| CN112617844A (zh) * | 2020-12-14 | 2021-04-09 | 河北医科大学第二医院 | 一种便携无线式多导联脑电图电极帽 |
| US20210223864A1 (en) * | 2017-04-26 | 2021-07-22 | Cognixion | Brain computer interface for augmented reality |
| CN113143275A (zh) * | 2021-03-24 | 2021-07-23 | 杭州电子科技大学 | 一种样本与特征质量联合量化评估的脑电疲劳检测方法 |
| CN113288152A (zh) * | 2021-07-07 | 2021-08-24 | 中国人民解放军军事科学院军事医学研究院 | 基于自适应充气型脑电帽的脑电采集系统 |
| US20210267474A1 (en) * | 2020-03-02 | 2021-09-02 | Wuyi University | Training method, and classification method and system for eeg pattern classification model |
| RU207767U1 (ru) * | 2021-08-24 | 2021-11-15 | Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский университет «Высшая школа экономики» | Устройство низколатентной нейрообратной связи |
| CN113988123A (zh) * | 2021-10-19 | 2022-01-28 | 杭州电子科技大学 | 一种基于自加权增量rvfl网络的脑电疲劳预测方法 |
| CN114847958A (zh) * | 2022-05-20 | 2022-08-05 | 江苏大学附属医院 | 一种基于心电信号的应激和疲劳监测方法及系统 |
-
2023
- 2023-06-15 CN CN202310713014.7A patent/CN116746931B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006006667A (ja) * | 2004-06-25 | 2006-01-12 | Olympus Corp | 脳機能検出装置 |
| JP2006006666A (ja) * | 2004-06-25 | 2006-01-12 | Olympus Corp | 脳波検出用電極装置、脳波検出装置、キャップおよびパッケージ |
| US20090040054A1 (en) * | 2007-04-11 | 2009-02-12 | Nec Laboratories America, Inc. | Real-time driving danger level prediction |
| US20210223864A1 (en) * | 2017-04-26 | 2021-07-22 | Cognixion | Brain computer interface for augmented reality |
| CN109820525A (zh) * | 2019-01-23 | 2019-05-31 | 五邑大学 | 一种基于cnn-lstm深度学习模型的驾驶疲劳识别方法 |
| US20200337625A1 (en) * | 2019-04-24 | 2020-10-29 | Interaxon Inc. | System and method for brain modelling |
| CN110151173A (zh) * | 2019-06-08 | 2019-08-23 | 龙岩学院 | 一种用于检测癫痫病灶的设备 |
| CN110464371A (zh) * | 2019-08-29 | 2019-11-19 | 苏州中科先进技术研究院有限公司 | 基于机器学习的疲劳驾驶检测方法及系统 |
| US20210267474A1 (en) * | 2020-03-02 | 2021-09-02 | Wuyi University | Training method, and classification method and system for eeg pattern classification model |
| CN112617844A (zh) * | 2020-12-14 | 2021-04-09 | 河北医科大学第二医院 | 一种便携无线式多导联脑电图电极帽 |
| CN113143275A (zh) * | 2021-03-24 | 2021-07-23 | 杭州电子科技大学 | 一种样本与特征质量联合量化评估的脑电疲劳检测方法 |
| CN113288152A (zh) * | 2021-07-07 | 2021-08-24 | 中国人民解放军军事科学院军事医学研究院 | 基于自适应充气型脑电帽的脑电采集系统 |
| RU207767U1 (ru) * | 2021-08-24 | 2021-11-15 | Федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский университет «Высшая школа экономики» | Устройство низколатентной нейрообратной связи |
| CN113988123A (zh) * | 2021-10-19 | 2022-01-28 | 杭州电子科技大学 | 一种基于自加权增量rvfl网络的脑电疲劳预测方法 |
| CN114847958A (zh) * | 2022-05-20 | 2022-08-05 | 江苏大学附属医院 | 一种基于心电信号的应激和疲劳监测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| ZHANG , YK; GUO, RQ; PENG, Y;等: "An Auto-Weighting Incremental Random Vector Functional Link Network for EEG-Based Driving Fatigue Detection", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》, 18 November 2022 (2022-11-18) * |
| 彭勇;许迪雅;范超杰;等: "基于心率变异性的高速列车乘员舒适度评价研究", 《铁道科学与工程学报》, 16 May 2022 (2022-05-16) * |
| 王星: "基于脑电信号的疲劳驾驶检测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, 15 January 2020 (2020-01-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116746931B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108216252B (zh) | 一种地铁司机车载驾驶行为分析方法、车载终端及系统 | |
| CN106057212B (zh) | 基于语音个性特征和模型自适应的驾驶疲劳检测方法 | |
| CN110070078B (zh) | 一种基于传感器与机器视觉的酒驾检测方法及系统 | |
| CN108464839A (zh) | 一种基于机器学习的车载疲劳驾驶监测预警系统 | |
| CN111436944B (zh) | 一种基于智能移动终端的跌倒检测方法 | |
| CN108629282A (zh) | 一种吸烟检测方法、存储介质及计算机 | |
| CN110811649A (zh) | 一种基于生物电及行为特征融合的疲劳驾驶检测方法 | |
| CN111753674A (zh) | 一种基于深度学习的疲劳驾驶的检测识别方法 | |
| CN106128032A (zh) | 一种疲劳状态监测及预警方法及其系统 | |
| CN110222596B (zh) | 一种基于视觉的驾驶员行为分析防作弊方法 | |
| CN113743471B (zh) | 一种驾驶评估方法及其系统 | |
| CN110796109A (zh) | 一种基于模型融合的驾驶员分心行为识别方法 | |
| CN104068868A (zh) | 一种基于机器视觉的驾驶人疲劳监测方法及装置 | |
| CN102133100A (zh) | 基于稀疏重表示的脑电信号检测方法 | |
| Bittner et al. | Detecting of fatigue states of a car driver | |
| CN110737201B (zh) | 一种监护方法、装置、存储介质及空调 | |
| CN112016429A (zh) | 基于火车驾驶室场景下疲劳驾驶检测方法 | |
| CN109106384A (zh) | 一种心理压力状况预测方法及系统 | |
| CN109875583A (zh) | 一种基于ar技术的疲劳驾驶检测系统及方法 | |
| CN111671445A (zh) | 一种意识障碍程度分析方法 | |
| CN111067513B (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 | |
| CN116746931B (zh) | 一种基于脑电的增量式驾驶员不良状态检测方法 | |
| CN111241937A (zh) | 一种基于深度学习的行人攻击车辆意图识别方法及系统 | |
| Kamaruddin et al. | Driver behaviour state recognition based on speech | |
| CN113239609A (zh) | 一种用于智能车单目摄像头目标识别监测的试验系统及检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |