CN117407807A - 一种基于单通道eeg信号监测的警觉度干预方法及装置 - Google Patents

一种基于单通道eeg信号监测的警觉度干预方法及装置 Download PDF

Info

Publication number
CN117407807A
CN117407807A CN202311687410.3A CN202311687410A CN117407807A CN 117407807 A CN117407807 A CN 117407807A CN 202311687410 A CN202311687410 A CN 202311687410A CN 117407807 A CN117407807 A CN 117407807A
Authority
CN
China
Prior art keywords
information
signal
alertness
value
signals
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
Application number
CN202311687410.3A
Other languages
English (en)
Other versions
CN117407807B (zh
Inventor
史磊
魏方传
周昱
陈志涛
周文慧
王理安
张般若妮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202311687410.3A priority Critical patent/CN117407807B/zh
Publication of CN117407807A publication Critical patent/CN117407807A/zh
Application granted granted Critical
Publication of CN117407807B publication Critical patent/CN117407807B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • A61B5/168—Evaluating attention deficit, hyperactivity
    • 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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/297—Bioelectric electrodes therefor specially adapted for particular uses for electrooculography [EOG]: for electroretinography [ERG]
    • 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
    • A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
    • 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
    • A61B5/7264—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/20—Workers
    • A61B2503/22—Motor vehicles operators, e.g. drivers, pilots, captains
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Developmental Disabilities (AREA)
  • Psychology (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Social Psychology (AREA)
  • Educational Technology (AREA)
  • Ophthalmology & Optometry (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于单通道EEG信号监测的警觉度干预方法及装置，涉及警觉度干预领域，本方法包括：获取第一信息、第二信息和待测人员的应激反应信息；对第一信息进行信号分离，得到信号分离后的第一信息；对信号分离后的第一信息和第二信息进行判别，得到单通道EEG的判别信息；将单通道EEG的判别信息输入至预设的分类模型中，得到警觉度特征值；根据待测人员的应激反应信息对警觉度特征值进行修正，得到警觉度修正值。本方法一方面考虑了EEG信号中的眼电信号EOG对司机警觉度的影响，并对眼电信号EOG进行了合理剔除，另一方面考虑了司机自身的应激反应对EEG信号监测的影响，保证了后期警觉度干预效果。

Description

一种基于单通道EEG信号监测的警觉度干预方法及装置
技术领域
本发明涉及警觉度干预领域，具体而言，涉及一种基于单通道EEG信号监测的警觉度干预方法及装置。
背景技术
在现有技术中，由于工作时长较长、工作环境单调、工作专注度要求高等原因，警觉度下降现象在高铁司机驾驶机车过程中常有发生，严重影响铁路运输安全。当前对于应对高铁司机警觉水平下降的方法有：基于非接触式生理测量设备监测脑电EEG信号，以判断司机警觉状态，之后通过语言、灯光等提醒高铁司机，唤醒其警觉。但在当前单通道EEG信号监测中，一方面未考虑EEG信号中的眼电信号EOG对司机警觉度的影响，另一方面未考虑司机自身的应激反应对EEG信号监测的影响，导致计算得到的警觉度未能全面反应司机的生理状态，警觉度干预效果较差。
发明内容
本发明的目的在于提供一种基于单通道EEG信号监测的警觉度干预方法及装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种基于单通道EEG信号监测的警觉度干预方法，所述方法包括：
获取第一信息、第二信息和待测人员的应激反应信息，所述第一信息为待测人员在预设时间内所采集到的单通道EEG信号，所述预设时间包含有至少两个接收时段，所述第二信息为待测人员在不同的接收时段内所分别接收的单通道定值EOG信号；
对所述第一信息进行信号分离，得到信号分离后的第一信息，所述信号分离后的第一信息为多个本征模态信号；
对所述信号分离后的第一信息和所述第二信息进行判别，得到单通道EEG的判别信息；
将所述单通道EEG的判别信息输入至预设的分类模型中，得到警觉度特征值，所述分类模型为提取单通道EEG的判别信息中的节律信号所建立的分类神经网络；
根据所述待测人员的应激反应信息对所述警觉度特征值进行修正，得到警觉度修正值，所述警觉度修正值用于进行警觉度干预。
第二方面，本申请还提供了一种基于单通道EEG信号监测的警觉度干预装置，所述装置包括：
获取模块，用于获取第一信息、第二信息和待测人员的应激反应信息，所述第一信息为待测人员在预设时间内所采集到的单通道EEG信号，所述预设时间包含有至少两个接收时段，所述第二信息为待测人员在不同的接收时段内所分别接收的单通道定值EOG信号；
第一处理模块，用于对所述第一信息进行信号分离，得到信号分离后的第一信息，所述信号分离后的第一信息为多个本征模态信号；
第二处理模块，用于对所述信号分离后的第一信息和所述第二信息进行判别，得到单通道EEG的判别信息；
分类模块，用于将所述单通道EEG的判别信息输入至预设的分类模型中，得到警觉度特征值，所述分类模型为提取单通道EEG的判别信息中的节律信号所建立的分类神经网络；
干预模块，用于根据所述待测人员的应激反应信息对所述警觉度特征值进行修正，得到警觉度修正值，所述警觉度修正值用于进行警觉度干预。
本发明的有益效果为：
在现有技术中，由于EEG 信号在收集过程中容易受到眼电信号EOG的影响，本方法提出对EEG 信号进行放大的思路，即在EEG 信号的收集过程中叠加定值EOG信号，之后在数据处理中剔除第一信息中的杂质EOG信息以及定值EOG信号，从而得到更加纯净的EEG信号，保证更精准地进行后期警觉度干预操作。本方法一方面考虑了EEG信号中的眼电信号EOG对司机警觉度的影响，并对眼电信号EOG进行了合理剔除，另一方面考虑了司机自身的应激反应对EEG信号监测的影响，保证了后期警觉度干预效果。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例中所述的基于单通道EEG信号监测的警觉度干预方法流程示意图;
图2为本发明实施例中所述的基于单通道EEG信号监测的警觉度干预设备结构示意图；
图中标记：
800、基于单通道EEG信号监测的警觉度干预设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种基于单通道EEG信号监测的警觉度干预方法。
参见图1，图中示出了本方法包括步骤S1至步骤S5，具体有：
S1:获取第一信息、第二信息和待测人员的应激反应信息，所述第一信息为待测人员在预设时间内所采集到的单通道EEG信号，所述预设时间包含有至少两个接收时段，所述第二信息为待测人员在不同的接收时段内所分别接收的单通道定值EOG信号；
在步骤S1中，在获取第一信息和第二信息时，为明确预设时间的具体设置，具体有：所述预设时间包括第一接收时段和第二接收时段，所述第二信息包括单通道第一定值EOG信号和单通道第二定值EOG信号，所述单通道第一定值EOG信号与所述第一接收时段对应，所述单通道第二定值EOG信号与所述第二接收时段对应。当所述单通道第一定值EOG信号和所述单通道第二定值EOG信号相等时，此时可模拟待测人员在光线不变时的EEG信号，其对应行驶场景具体可为：在隧道、涵洞中进行行驶，且光线变化波动较小。
进一步地，当预设时间内引入第三接收时段时，其中第三接收时段对应单通道第三定值EOG信号，且所述单通道第三定值EOG信号大于所述单通道第二定值EOG信号，此时可模拟待测人员在光线减弱场景下的EEG信号，如高铁由正常行驶路段进入隧道或涵洞后行驶光线变弱的情况。
在步骤S1中，在获取待测人员的应激反应信息中，所述应激反应信息包括待测人员的应激反应时间、应激反应的心率信息和应激反应的血压信息，步骤S1包括步骤S11至步骤S15，具体有：
S11:获取待测人员在反应仪上所采集到的按键开始信息和按键关闭信息；
在步骤S11中，反应仪主要是通过声光装置的设计，配合一定的按键功能，当待测人员按下“开始”键后等待信号发出；当信号发出时，待测人员以最快的速度按下操作键，所述按键开始信息与操作键的挤压状态对应；当检测信号消失后，待测人员再次按下“开始”键，此时按键关闭信息与所述第二次“开始”键的按压状态对应。
S12:根据所述按键开始信息和所述按键关闭信息进行计算，得到待测人员的反应时间；
在本方法中，采集9组按键开始信息和按键关闭信息，具体计算公式有：;（1）
上式（1）中，表示待测人员的反应时间；/>表示在第1组采集信息中的按键关闭信息；/>表示在第1组采集信息中的按键开始信息；/>表示在第9组采集信息中的按键关闭信息；/>表示在第9组采集信息中的按键开始信息。
S13:根据所述待测人员的反应时间与预设时间阈值进行计算，得到待测人员的应激反应时间；
在步骤S13中，计算公式为：；（2）
上式（2）中，表示待测人员的应激反应时间；/>表示待测人员的反应时间；T表示预设时间阈值，其中，预设时间阈值可根据不同年龄段人群的体测标准数据进行设定。
S14:将待测人员在所述应激反应时间内的心率进行均值计算，得到应激反应的心率信息；
在步骤S14中，收集待测人员在应激反应时间内的心电图，即：在心电图中收集每个时间点所对应的心率值，并将所有心率值先进行求和，之后与当前对应的应激反应时间进行比值计算，从而得到应激反应的心率信息。
S15:将待测人员在所述应激反应时间内的血压进行均值计算，得到应激反应的血压信息。
在步骤S15中，收集待测人员在应激反应时间内的血压参数，并根据最大血压值和最小血压值进行均值计算，以得到应激反应的血压信息。
S2:对所述第一信息进行信号分离，得到信号分离后的第一信息，所述信号分离后的第一信息为多个本征模态信号；
由于第一信息为包含有定值EOG信号和杂质EOG信号影响的混合信号，因此需对第一信息进行分离。为明确对第一信息进行信号分离的具体过程，步骤S2包括步骤S21至步骤S24，具体有：
S21:对所述第一信息中的信号最大值和信号最小值进行提取，得到信号的上边界和信号的下边界；
在步骤S21中，当信号最大值和信号最小值不容易确定时，可先找出第一信息中所有的极大值点，并用三次样条插值函数拟合形成第一信息的上包络线，所述上包络线与所述信号的上边界对应；
同理，之后先找出第一信息中所有的极小值点，并将所有的极小值点通过三次样条插值函数拟合形成第一信息的下包络线，所述下包络线与所述信号的下边界对应。
S22:根据所述信号的上边界和所述信号的下边界构建均值线；
在此步骤中，可根据步骤S21中的上包络线和下包络线进行均值点计算，之后拟合各个均值点，以得到均值线。
S23:将所述第一信息与所述均值线进行求差，得到信号序列信息；
S24:对所述信号序列信息进行判定，当所述信号序列信息满足预设的约束条件时停止进行迭代分解，得到信号分离后的第一信息，所述信号分离后的第一信息为多个本征模态信号。
在步骤S24中，约束条件为：；（3）
上式（3）中，表示第一信息所对应的原始单通道EEG信号；/>表示分离后的第一信息中本征模态信号的个数；/>表示分离后的第一信息中本征模态信号的个数总数；表示分离后的第一信息中的第/>个本征模态信号；/>表示残差信号；/>表示预设的残差信号判断阈值，/>的值可由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值进行设定。
当所述信号序列信息不满足预设的约束条件时需不断进行迭代分解。
S3:对所述信号分离后的第一信息和所述第二信息进行判别，得到单通道EEG的判别信息；
在步骤S3中，为明确本方法进行判别的具体过程，步骤S31至S34，具体有：
S31:对所述信号分离后的第一信息根据预设的排序模型进行排序，得到多个本征模态信号的排序信息；
在步骤S31中，预设的排序模型可根据本征模态信号中的频率最大值为指标依次对多个本征模态信号进行排序，以得到多个本征模态信号的排序信息。
S32:依次对每个所述本征模态信号的排序信息进行样本熵计算，得到每个本征模态信号所对应的样本熵值；
在步骤S32中，先确定每个所述本征模态信号的排序信息中的信号长度，得到信号长度序列；
样本熵的计算公式为：；（4）
上式（4）中，表示第/>个本征模态信号所对应的样本熵值；/>表示维度；表示预设的相似容限阈值；/>表示信号长度序列的长度；/>表示/>维本征模态信号所对应的向量距离；/>表示/>维本征模态信号所对应的向量距离。
S33:对所述第二信息中不同的所述单通道定值EOG信号进行样本熵计算，得到多个单通道定值EOG信号所对应的样本熵值；
步骤S33的样本熵值计算原理与步骤S32中的样本熵值计算原理相同。
S34:根据每个所述本征模态信号所对应的样本熵值和多个所述单通道定值EOG信号所对应的样本熵值进行判别，得到单通道EEG的判别信息。
在步骤S34中，判别过程包括步骤S341至S343，具体有：
S341:根据多个所述单通道定值EOG信号所对应的样本熵值进行区间计算，得到判别区间；
在本方法中，优选地确定判别区间为0-0.3。
S342:将每个所述本征模态信号所对应的样本熵值与所述判别区间进行比对，当所述本征模态信号所对应的样本熵值大于所述判别区间时，则保留所述本征模态信号至单通道EEG的判别信息中。
当每个所述本征模态信号所对应的样本熵值小于判别区间时，可判定为EOG分量，并进行剔除。
S4:将所述单通道EEG的判别信息输入至预设的分类模型中，得到警觉度特征值，所述分类模型为提取单通道EEG的判别信息中的节律信号所建立的分类神经网络；
在步骤S4中，所述分类模型为RGF模型，步骤S4包括步骤S41至步骤S45，具体有：
S41:获取所述单通道EEG的判别信息中节律信号的α波信息、β波信息和θ波信息；
在现有技术中，α波信息频率为8-13Hz，通常发生在大脑皮层枕骨处，其与人的放松状态有关，可作为监测静息脑电状态；β波信息频率为14-30Hz，可作为监测大脑兴奋状态；θ波信息频率为4-8Hz,可用于监测正常的脑状况。
S42:根据所述α波信息构建决策树中的第一级节点；
在本方法中，RGF模型为一种决策森林，其每次迭代不再只对新建树优化，而是对整个贪心森林进行学习，并且新增决策树后对全局参数进行优化，增加显式的正则函数来防止过拟合。因此，步骤S42先根据所述α波信息构建决策树中的第一级节点，以判别待测人员进入静息脑电状态；
S43:根据所述α波信息和所述β波信息构建决策树中的第二级节点；
当判别待测人员进入静息脑电状态后，根据所述α波信息和所述β波信息构建决策树中的第二级节点，以判断待测人员是否有应激反应。
S44:根据所述α波信息、所述β波信息和所述θ波信息构建决策树中的第三级节点；
在此步骤中，当判断待测人员有应激反应后，根据所述β波信息和所述θ波信息各自的百分比量，当所述θ波信息的百分比量大于所述β波信息的百分比量后，则进行信号的最终输出。
S45:对所述第一级节点、所述第二级节点和所述第三级节点通过预设的节点判断模型和预设的损失模型进行构建，得到RGF模型，所述RGF模型用于输出警觉度特征值。
在步骤S45中，RGF模型为：;（5）
上式（5）中，表示警觉度特征值；/>表示预设的节点判断模型；/>表示第i级节点；/>表示单通道EEG的判别信息中的节律信号;/>表示判别结果，当括号中结果为真时取1，否则取0。在本方法中，预设的损失模型采用现有的loss损失函数。
S5:根据所述待测人员的应激反应信息对所述警觉度特征值进行修正，得到警觉度修正值，所述警觉度修正值用于进行警觉度干预。
在步骤S5中，为明确对所述警觉度特征值进行修正的具体过程，步骤S5包括步骤S51至S53，具体有：
S51:获取标准指标项，所述标准指标项包括标准时间值、标准心率值以及标准血压值；
在步骤S51中，标准指标项可根据体测表中不同年龄段人群的体测标准数据进行获取。
S52:对所述应激反应时间、所述应激反应的心率信息、所述应激反应的血压信息以及所述标准指标项通过预设的权重模型进行计算，得到修正因子；
在步骤S52中，权重模型为：
;（6）
在上式（6）中，表示预设的排序模型输出的修正因子；/>、/>、/>均表示预设权重系数；/>表示待测人员的应激反应时间；/>表示应激反应的心率信息；/>表示应激反应的血压信息；/>表示标准时间值；/>表示标准心率值；/>表示标准血压值。
S53:根据所述修正因子对所述警觉度特征值进行修正，得到警觉度修正值。
在步骤S53中，将所述修正因子与所述警觉度特征值进行相乘后得到警觉度修正值。将警觉度修正值与预设的警觉度阈值组进行比较，由于警觉度阈值组包括有多个干预等级，在此可以根据不同的干预等级进行干预措施。
在干预方面，选取多个有效和安全的警觉度干预模块，以完成涉及震动、气味、声音、电刺激的多方面警觉度干预。其中震动干预模块可采用多路电机驱动控制数个震动马达，实现多级别自由灵敏的震动控制；气味干预模块设计雾化干预装置，通过使用高压功率放大器控制微孔压片超声雾化装置均匀释放气味；声音干预模块使用语音芯片配合扬声器播放音频；电刺激干预模块采用市面以安全成熟用于治疗的双通道肌肉电刺激传感器，通过主控芯片串口发出指令进行控制。最后通过开发完善的通讯协议构建完成脑电信号模块与警觉度干预装置的耦合，从而呈现疲劳实时监测与疲劳干预自动触发的警觉度干预。
实施例2：
本实施例提供了一种基于单通道EEG信号监测的警觉度干预装置，所述装置包括：
获取模块，用于获取第一信息、第二信息和待测人员的应激反应信息，所述第一信息为待测人员在预设时间内所采集到的单通道EEG信号，所述预设时间包含有至少两个接收时段，所述第二信息为待测人员在不同的接收时段内所分别接收的单通道定值EOG信号；
第一处理模块，用于对所述第一信息进行信号分离，得到信号分离后的第一信息，所述信号分离后的第一信息为多个本征模态信号；
第二处理模块，用于对所述信号分离后的第一信息和所述第二信息进行判别，得到单通道EEG的判别信息；
分类模块，用于将所述单通道EEG的判别信息输入至预设的分类模型中，得到警觉度特征值，所述分类模型为提取单通道EEG的判别信息中的节律信号所建立的分类神经网络；
干预模块，用于根据所述待测人员的应激反应信息对所述警觉度特征值进行修正，得到警觉度修正值，所述警觉度修正值用于进行警觉度干预。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种基于单通道EEG信号监测的警觉度干预设备，下文描述的一种基于单通道EEG信号监测的警觉度干预设备与上文描述的一种基于单通道EEG信号监测的警觉度干预方法可相互对应参照。
图2是根据示例性实施例示出的一种基于单通道EEG信号监测的警觉度干预设备800的框图。如图2所示，该基于单通道EEG信号监测的警觉度干预设备800可以包括：处理器801，存储器802。该基于单通道EEG信号监测的警觉度干预设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该基于单通道EEG信号监测的警觉度干预设备800的整体操作，以完成上述的基于单通道EEG信号监测的警觉度干预方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于单通道EEG信号监测的警觉度干预设备800的操作，这些数据例如可以包括用于在该基于单通道EEG信号监测的警觉度干预设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基于单通道EEG信号监测的警觉度干预设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，基于单通道EEG信号监测的警觉度干预设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital SignalProcessing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于单通道EEG信号监测的警觉度干预方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于单通道EEG信号监测的警觉度干预方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由基于单通道EEG信号监测的警觉度干预设备800的处理器801执行以完成上述的基于单通道EEG信号监测的警觉度干预方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于单通道EEG信号监测的警觉度干预方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于单通道EEG信号监测的警觉度干预方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于单通道EEG信号监测的警觉度干预方法，其特征在于，包括：
获取第一信息、第二信息和待测人员的应激反应信息，所述第一信息为待测人员在预设时间内所采集到的单通道EEG信号，所述预设时间包含有至少两个接收时段，所述第二信息为待测人员在不同的接收时段内所分别接收的单通道定值EOG信号；
对所述第一信息进行信号分离，得到信号分离后的第一信息，所述信号分离后的第一信息为多个本征模态信号；
对所述信号分离后的第一信息和所述第二信息进行判别，得到单通道EEG的判别信息；
将所述单通道EEG的判别信息输入至预设的分类模型中，得到警觉度特征值，所述分类模型为提取单通道EEG的判别信息中的节律信号所建立的分类神经网络；
根据所述待测人员的应激反应信息对所述警觉度特征值进行修正，得到警觉度修正值，所述警觉度修正值用于进行警觉度干预。
2.根据权利要求1所述的一种基于单通道EEG信号监测的警觉度干预方法，其特征在于，对所述第一信息进行信号分离，得到信号分离后的第一信息，所述信号分离后的第一信息为多个本征模态信号，包括：
对所述第一信息中的信号最大值和信号最小值进行提取，得到信号的上边界和信号的下边界；
根据所述信号的上边界和所述信号的下边界构建均值线；
将所述第一信息与所述均值线进行求差，得到信号序列信息；
对所述信号序列信息进行判定，当所述信号序列信息满足预设的约束条件时停止进行迭代分解，得到信号分离后的第一信息，所述信号分离后的第一信息为多个本征模态信号。
3.根据权利要求1所述的一种基于单通道EEG信号监测的警觉度干预方法，其特征在于，对所述信号分离后的第一信息和所述第二信息进行判别，得到单通道EEG的判别信息，包括：
对所述信号分离后的第一信息根据预设的排序模型进行排序，得到多个本征模态信号的排序信息；
依次对每个所述本征模态信号的排序信息进行样本熵计算，得到每个本征模态信号所对应的样本熵值；
对所述第二信息中不同的所述单通道定值EOG信号进行样本熵计算，得到多个单通道定值EOG信号所对应的样本熵值；
根据每个所述本征模态信号所对应的样本熵值和多个所述单通道定值EOG信号所对应的样本熵值进行判别，得到单通道EEG的判别信息。
4.根据权利要求3所述的一种基于单通道EEG信号监测的警觉度干预方法，其特征在于，根据每个所述本征模态信号所对应的样本熵值和多个所述单通道定值EOG信号所对应的样本熵值进行判别，得到单通道EEG的判别信息，包括：
根据多个所述单通道定值EOG信号所对应的样本熵值进行区间计算，得到判别区间；
将每个所述本征模态信号所对应的样本熵值与所述判别区间进行比对，当所述本征模态信号所对应的样本熵值大于所述判别区间时，则保留所述本征模态信号至单通道EEG的判别信息中。
5.根据权利要求1所述的一种基于单通道EEG信号监测的警觉度干预方法，其特征在于，在获取待测人员的应激反应信息中，所述应激反应信息包括待测人员的应激反应时间、应激反应的心率信息和应激反应的血压信息，包括：
获取待测人员在反应仪上所采集到的按键开始信息和按键关闭信息；
根据所述按键开始信息和所述按键关闭信息进行计算，得到待测人员的反应时间；
根据所述待测人员的反应时间与预设时间阈值进行计算，得到待测人员的应激反应时间；
将待测人员在所述应激反应时间内的心率进行均值计算，得到应激反应的心率信息；
将待测人员在所述应激反应时间内的血压进行均值计算，得到应激反应的血压信息。
6.根据权利要求5所述的一种基于单通道EEG信号监测的警觉度干预方法，其特征在于，根据所述待测人员的应激反应信息对所述警觉度特征值进行修正，得到警觉度修正值，所述警觉度修正值用于进行警觉度干预，包括：
获取标准指标项，所述标准指标项包括标准时间值、标准心率值以及标准血压值；
对所述应激反应时间、所述应激反应的心率信息、所述应激反应的血压信息以及所述标准指标项通过预设的权重模型进行计算，得到修正因子；
根据所述修正因子对所述警觉度特征值进行修正，得到警觉度修正值。
7.根据权利要求2所述的一种基于单通道EEG信号监测的警觉度干预方法，其特征在于，对所述信号序列信息进行判定，当所述信号序列信息满足预设的约束条件时停止进行迭代分解，得到信号分离后的第一信息，所述信号分离后的第一信息为多个本征模态信号；
其中，约束条件为：；
上式中，表示第一信息所对应的原始单通道EEG信号；/>表示分离后的第一信息中本征模态信号的个数；/>表示分离后的第一信息中本征模态信号的个数总数；/>表示分离后的第一信息中的第/>个本征模态信号；/>表示残差信号；/>表示预设的残差信号判断阈值，/>的值可由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值进行设定。
8.根据权利要求3所述的一种基于单通道EEG信号监测的警觉度干预方法，其特征在于，依次对每个所述本征模态信号的排序信息进行样本熵计算，得到每个本征模态信号所对应的样本熵值中，包括：
先确定每个所述本征模态信号的排序信息中的信号长度，得到信号长度序列；
其中，样本熵的计算公式为：；
上式中，表示第/>个本征模态信号所对应的样本熵值；/>表示维度；/>表示预设的相似容限阈值；/>表示信号长度序列的长度；/>表示/>维本征模态信号所对应的向量距离；/>表示/>维本征模态信号所对应的向量距离。
9.根据权利要求1所述的一种基于单通道EEG信号监测的警觉度干预方法，其特征在于，所述分类模型为RGF模型，所述RGF模型为：
;
上式中，表示警觉度特征值；/>表示预设的节点判断模型；/>表示第i级节点；表示单通道EEG的判别信息中的节律信号;/>表示判别结果，当括号中结果为真时取1，否则取0。
10.一种基于单通道EEG信号监测的警觉度干预装置，其特征在于，包括：
获取模块，用于获取第一信息、第二信息和待测人员的应激反应信息，所述第一信息为待测人员在预设时间内所采集到的单通道EEG信号，所述预设时间包含有至少两个接收时段，所述第二信息为待测人员在不同的接收时段内所分别接收的单通道定值EOG信号；
第一处理模块，用于对所述第一信息进行信号分离，得到信号分离后的第一信息，所述信号分离后的第一信息为多个本征模态信号；
第二处理模块，用于对所述信号分离后的第一信息和所述第二信息进行判别，得到单通道EEG的判别信息；
分类模块，用于将所述单通道EEG的判别信息输入至预设的分类模型中，得到警觉度特征值，所述分类模型为提取单通道EEG的判别信息中的节律信号所建立的分类神经网络；
干预模块，用于根据所述待测人员的应激反应信息对所述警觉度特征值进行修正，得到警觉度修正值，所述警觉度修正值用于进行警觉度干预。
CN202311687410.3A 2023-12-11 2023-12-11 一种基于单通道eeg信号监测的警觉度干预方法及装置 Active CN117407807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311687410.3A CN117407807B (zh) 2023-12-11 2023-12-11 一种基于单通道eeg信号监测的警觉度干预方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311687410.3A CN117407807B (zh) 2023-12-11 2023-12-11 一种基于单通道eeg信号监测的警觉度干预方法及装置

Publications (2)

Publication Number Publication Date
CN117407807A true CN117407807A (zh) 2024-01-16
CN117407807B CN117407807B (zh) 2024-02-27

Family

ID=89491112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311687410.3A Active CN117407807B (zh) 2023-12-11 2023-12-11 一种基于单通道eeg信号监测的警觉度干预方法及装置

Country Status (1)

Country Link
CN (1) CN117407807B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090149770A1 (en) * 2006-06-22 2009-06-11 Sing Helen C Alertness/Drowsiness and Cognitive Capacity Index
US20160071393A1 (en) * 2014-09-09 2016-03-10 Torvec, Inc. Systems, methods, and apparatus for monitoring alertness of an individual utilizing a wearable device and providing notification
CN108937923A (zh) * 2018-08-02 2018-12-07 扬州市紫麓信息技术有限公司 一种基于脑电信号、眼电信号和肌电信号的疲劳驾驶监测系统
CN109472224A (zh) * 2018-10-26 2019-03-15 蓝色传感（北京）科技有限公司 基于eeg与eog融合的疲劳驾驶检测系统
CN112438701A (zh) * 2019-08-16 2021-03-05 浙江象立医疗科技有限公司 一种基于光电融合的血液参数和电生理参数的检测方法
US20210290102A1 (en) * 2020-03-20 2021-09-23 Starkey Laboratories, Inc. Alertness determination for non-alert detection using ear-worn electronic devices
CN114601478A (zh) * 2022-05-11 2022-06-10 西南交通大学 一种提高司机警觉度的方法、装置、设备及可读存储介质
CN114821968A (zh) * 2022-05-09 2022-07-29 西南交通大学 动车司机疲劳驾驶干预方法、装置、设备及可读存储介质
WO2022168000A1 (en) * 2021-02-04 2022-08-11 Naqi Logix Inc. Systems and methods for operator monitoring and fatigue detection
CN115177255A (zh) * 2022-05-25 2022-10-14 佛山科学技术学院 一种疲劳驾驶监测预警方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090149770A1 (en) * 2006-06-22 2009-06-11 Sing Helen C Alertness/Drowsiness and Cognitive Capacity Index
US20160071393A1 (en) * 2014-09-09 2016-03-10 Torvec, Inc. Systems, methods, and apparatus for monitoring alertness of an individual utilizing a wearable device and providing notification
CN108937923A (zh) * 2018-08-02 2018-12-07 扬州市紫麓信息技术有限公司 一种基于脑电信号、眼电信号和肌电信号的疲劳驾驶监测系统
CN109472224A (zh) * 2018-10-26 2019-03-15 蓝色传感（北京）科技有限公司 基于eeg与eog融合的疲劳驾驶检测系统
CN112438701A (zh) * 2019-08-16 2021-03-05 浙江象立医疗科技有限公司 一种基于光电融合的血液参数和电生理参数的检测方法
US20210290102A1 (en) * 2020-03-20 2021-09-23 Starkey Laboratories, Inc. Alertness determination for non-alert detection using ear-worn electronic devices
WO2022168000A1 (en) * 2021-02-04 2022-08-11 Naqi Logix Inc. Systems and methods for operator monitoring and fatigue detection
CN114821968A (zh) * 2022-05-09 2022-07-29 西南交通大学 动车司机疲劳驾驶干预方法、装置、设备及可读存储介质
CN114601478A (zh) * 2022-05-11 2022-06-10 西南交通大学 一种提高司机警觉度的方法、装置、设备及可读存储介质
CN115177255A (zh) * 2022-05-25 2022-10-14 佛山科学技术学院 一种疲劳驾驶监测预警方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
潘雨帆等: ""基于LSTM-Attention 的高速铁路司机警觉度预测"", 《铁道学报》, vol. 45, no. 11, pages 29 - 37 *

Also Published As

Publication number Publication date
CN117407807B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN104146722B (zh) 一种基于头部信号的驾驶疲劳检测分级预警方法
US11834052B2 (en) Estimator generation apparatus, monitoring apparatus, estimator generation method, and computer-readable storage medium storing estimator generation program
CN104574818B (zh) 一种应用手机的检测和消除疲劳驾驶的方法
CN108836324B (zh) 一种基于脑电信号监测的疲劳驾驶预警方法及系统
WO2004023994A1 (ja) 生体情報トレンド表示装置およびその方法
CN110035358B (zh) 车载声音输出装置、声音输出控制方法、记录介质
CN107252313A (zh) 一种安全驾驶的监测方法及系统、汽车、可读存储介质
CN105292124A (zh) 一种驾驶监测方法和装置
CN104615851A (zh) 一种睡眠监控方法及终端
CN109659009A (zh) 情绪管理方法、装置及电子设备
CN112370037A (zh) 一种基于情绪识别的安全驾驶方法及系统
CN114601478B (zh) 一种提高司机警觉度的方法、装置、设备及可读存储介质
Rajan et al. Feasibility analysis of portable electroencephalography based abnormal fatigue detection and tele-surveillance system
CN115349865A (zh) 驾驶员心电信号分析方法、装置及存储介质
CN117407807B (zh) 一种基于单通道eeg信号监测的警觉度干预方法及装置
CN111317458A (zh) 一种基于深度学习的血压检测系统
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
CN112914506A (zh) 睡眠质量检测方法、装置和计算机可读存储介质
KR20220048533A (ko) 운전자의 집중도 검출 장치 및 그 방법
CN111868822A (zh) 车载装置、行驶状态推算方法、服务器装置、信息处理方法和行驶状态推算系统
CN115620484A (zh) 疲劳驾驶的报警方法、装置、车机系统、车辆和介质
CN111760194B (zh) 一种智能闭环神经调控系统和方法
CN116327219A (zh) 自动进化脑波侦测系统与用于脑波数据库的自动进化方法
WO2012076923A1 (en) Method and system for automatic scoring of sleep stages
US20190279103A1 (en) Systems and methods for determining most probable cause of an event

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