CN117617992A - 一种用于作业人员的脑电信号疲劳监测方法及系统 - Google Patents
一种用于作业人员的脑电信号疲劳监测方法及系统 Download PDFInfo
- Publication number
- CN117617992A CN117617992A CN202311784846.4A CN202311784846A CN117617992A CN 117617992 A CN117617992 A CN 117617992A CN 202311784846 A CN202311784846 A CN 202311784846A CN 117617992 A CN117617992 A CN 117617992A
- Authority
- CN
- China
- Prior art keywords
- fatigue
- tester
- electroencephalogram
- signal
- eye movement
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 230000008447 perception Effects 0.000 claims abstract description 54
- 230000035790 physiological processes and functions Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000004424 eye movement Effects 0.000 claims description 64
- 210000004556 brain Anatomy 0.000 claims description 54
- 230000033764 rhythmic process Effects 0.000 claims description 40
- 230000008859 change Effects 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 14
- 235000010627 Phaseolus vulgaris Nutrition 0.000 claims description 12
- 244000046052 Phaseolus vulgaris Species 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 208000003464 asthenopia Diseases 0.000 claims description 6
- 230000004598 abnormal eye movement Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 230000005611 electricity Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000944 nerve tissue Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001242 postsynaptic effect Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002618 waking effect Effects 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
- A61B5/24—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
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/113—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining or recording eye movement
-
- 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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4005—Detecting, measuring or recording for evaluating the nervous system for evaluating the sensory system
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Psychology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Evolutionary Computation (AREA)
- Pulmonology (AREA)
- Ophthalmology & Optometry (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
本发明提供一种用于作业人员的脑电信号疲劳监测方法及系统，涉及疲劳监测技术领域，所述监测方法包括：获取测试人员的生理状态数据；提取测试人员的脑电信号的信号特征；对测试人员的生理状态数据进行处理得到测试人员的脑电信号分级和感知分级；建立脑电信号疲劳数据库；将作业人员的脑电信号的信号特征与脑电信号疲劳数据库中的脑电信号的信号特征进行比对，得到作业人员疲劳程度；本发明通过建立脑电信号疲劳数据库，能够匹配作业人员和脑电信号疲劳数据库内的信号特征，得到作业人员的实时疲劳状态；以解决现有的疲劳监测方法不够精准，无法对作业人员的疲劳状态进行准确实时识别的问题。
Description
技术领域
本发明涉及脑电信号监测技术领域，尤其涉及一种用于作业人员的脑电信号疲劳监测方法。
背景技术
脑电信号是脑神经组织的电生理活动在大脑皮层表面的总体反映，是大脑神经元突触后电位的综合；分为自发脑电和诱发脑电，自发脑电是指没有特定外界刺激时大脑神经细胞自发产生的电位变化，诱发脑电是指人为地对感觉器官施加光、声、电刺激所引起的脑电变化；人在疲劳状态下，脑电信号会偏离正常值，慢波增加，快波降低；但是人在特殊情况下受光、声、电刺激也会导致脑电信号偏离正常值。
现有的技术中，在对作业人员的疲劳状态进行脑电波监测时，往往是直接采集作业人员的脑电信号，并对作业人员的脑电信号的波长进行分析得到作业人员的疲劳状态，例如在申请公开号为CN113367695A的一种基于脑电信号的疲劳监测方法中，是对脑电信号进行采集后并筛选最后利用疲劳状态判断算法对所述第三脑电信号进行疲劳状况判断，没有对作业人员的其他生理状态进行综合分析和校准，可能会导致由于特殊工作环境引起作业人员脑电信号变化被判定为作业人员疲劳的问题。
发明内容
针对现有技术存在的不足，本发明目的是提供一种用于作业人员的脑电信号疲劳监测方法，通过采集测试人员的脑电信号和其他生理状态数据，建立脑电信号疲劳数据库，能够通过匹配作业人员和脑电信号疲劳数据库内的信号特征，得到作业人员的实时疲劳状态；以解决现有的疲劳监测方法不够精准，无法对作业人员的疲劳状态进行准确实时识别和校准的问题。
为了实现上述目的，本发明是通过如下的技术方案来实现：第一方面，本发明提供一种用于作业人员的脑电信号疲劳监测方法，所述监测方法包括如下步骤：
步骤S1：获取测试人员的生理状态数据，所述测试人员的生理状态数据包括测试人员的脑电信号、心率指标、眼动频率和测试人员的感知等级；
步骤S2：提取测试人员的脑电信号的信号特征；
步骤S3：对测试人员的脑电信号进行处理得到测试人员疲劳状态的脑电信号分级；
步骤S4：根据测试人员的心率指标、眼动频率和测试人员的感知等级对测试人员状态进行分级，得到测试人员的感知分级；
步骤S5：获取大量测试人员的脑电信号分级和测试人员的感知分级，建立脑电信号疲劳数据库；
步骤S6：获取作业人员的脑电信号并提取脑电信号特征；
步骤S7：将作业人员的脑电信号的信号特征与脑电信号疲劳数据库中的脑电信号的信号特征进行比对，进行疲劳度匹配，得到作业人员疲劳程度。
进一步地，所述步骤S1中所述测试人员为佩戴测试装备的作业人员；所述测试装备包括脑电信号采集设备、心率指标采集设备和视频采集设备，所述视频采集设备用于采集测试人员的眼动频率；所述感知等级由测试人员记录，测试人员每间隔第一时长s记录一次当前感知等级，所述感知等级包括不疲劳、一般疲劳、疲劳和严重疲劳。
进一步地，所述步骤S2包括如下子步骤：
步骤S201：获取测试人员的脑电信号图的零交率和坡度符号变化；
步骤S202：将脑电信号图的零交率和坡度符号变化设置为脑电信号图的信号特征。
进一步地，步骤S201包括如下子步骤：
步骤S20101：获取信号X(t)，计算同时满足
{X(t)＜0andX(t+1)＞0}or{X(t)＜0andX(t+1)＞0}的次数，得到该信号的零交率，其中，|X(t)-X(t+1)≥∈，∈为一个阈值，以避免由于噪声而误算过零次数；
步骤S20102：获取信号X(m)，计算同时满足的次数，得到斜率信号变化的次数；其中，X(m)-X(m+1)|≥∈andX(m)-X(m-1)|≥∈
进一步地，所述步骤S3包括如下子步骤：
步骤S301：根据脑电信号的频率对脑电信号进行分类：将频率为8-14Hz的脑电信号设置为α节律；将频率为14-30Hz的脑电信号设置为β节律；将频率为4-8Hz的脑电信号设置为θ节律；将频率为0.5-4Hz的脑电信号设置为δ节律；
步骤S302：每间隔第一时长s获取一次脑电信号节律占比，所述脑电信号节律占比包括α节律占比J(α)、β节律占比J(β)、θ节律占比J(θ)和δ节律占比J(δ)；
步骤S303：将脑电信号节律占比代入脑电信号疲劳计算公式中，求得测试人员的脑电信号疲劳值；其中，Pn为脑电信号疲劳值；
步骤S304：当Pn＞2时，判定测试人员为脑电信号严重疲劳；
当2≥Pn＞1.5时，判定测试人员为脑电信号疲劳；
当1.5≥Pn＞1时，判定测试人员为脑电信号一般疲劳；
当Pn≤1时，判定测试人员为脑电信号不疲劳。
进一步地，所述步骤S4包括如下子步骤：
步骤S401：获取测试人员的心率指标HR，根据测试人员的心率指标对测试人员的疲劳程度进行初步划分得到心率疲劳等级D(HR)；当测试人员的心率指标HR小于90beats/min时，判定测试人员处于心率不疲劳；当测试人员的心率指标HR在90至110beats/min之间时，判定测试人员处于心率一般疲劳；当测试人员的心率指标HR在110至130beats/min之间时，判定测试人员处于心率疲劳；当测试人员的心率指标HR大于130beats/min之间时，判定测试人员处于心率严重疲劳；
步骤S402：对测试人员的眼动频率进行初步划分得到眼动频率等级E；当测试人员眼动频率小于15次/min时，判定测试人员为严重疲劳眼动；当测试人员眼动频率为15至20次/min时，判定测试人员为正常眼动；当测试人员眼动频率为20至25次/min时，判定测试人员为一般疲劳眼动；当测试人员眼动频率为25至30次/min时，判定测试人员为疲劳眼动；当测试人员眼动频率为大于30次/min时，判定为异常眼动，不计入数据；
步骤S403：将心率疲劳等级、眼动频率和感知等级代入感知疲劳公式Pg＝C1×D(HR)+C2×E+C3×D(P)；其中，Pg为感知疲劳值，C1为心率疲劳权重值，D(HR)为心率疲劳等级，C2为眼动频率等级权重值，E为眼动频率等级，C3为自我感知权重值，D(P)为感知等级；
步骤S404：对测试人员的感知疲劳值进行分类得到测试人员的感知疲劳等级：
当Pg＞0.8时，判定测试人员为感知严重疲劳；
当0.8≥Pg＞0.6时，判定测试人员为感知疲劳；
当0.6≥Pg＞0.4时，判定测试人员为感知一般疲劳；
当Pg≤0.4时，判定测试人员为感知不疲劳。
进一步地，所述步骤S5包括如下子步骤：
步骤S501：为脑电信号分级和感知分级进行赋值；对脑电信号不疲劳赋值为1，对脑电信号一般疲劳赋值为2，对脑电信号疲劳赋值为3，对脑电信号严重疲劳赋值为4；对感知不疲劳赋值为1，对感知一般疲劳赋值为2，对感知疲劳赋值为3，对感知严重疲劳赋值为4；
步骤S502：求得脑电信号分级赋值与感知分级赋值的差值的绝对值，设置为疲劳准确值；
步骤S503：当疲劳准确值等于0时，此时脑电信号分级与感知分级相同，输出脑电信号分级或感知分级设置为疲劳等级；
当疲劳准确值大于0且小于等于1时，输出感知分级，设置为疲劳等级；
当疲劳准确值大于1且小于等于2时，输出脑电信号分级，设置为疲劳等级；
当疲劳准确值大于2时，将此次数据设置为无效数据并筛除；
步骤S504：获取每个疲劳等级所对应的所有脑电信号的信号特征，得到疲劳等级和所述疲劳等级对应的脑电信号的信号特征合集，将合集设置为脑电信号疲劳数据库。
进一步地，所述步骤S6包括如下子步骤：
步骤S601：获取作业人员的脑电信号图的零交率和坡度符号变化；
步骤S602：将作业人员的脑电信号图的零交率和坡度符号变化设置为脑电信号图的信号特征。
进一步地，所述步骤S7包括如下子步骤：
步骤S701：获取作业人员的脑电信号图的零交率和坡度符号变化；
步骤S702：将作业人员脑电信号图的零交率和坡度符号变化设置为待匹配信号特征；
步骤S703：将待匹配信号特征与脑电信号疲劳数据库内的信号特征进行匹配，得到匹配信号特征的疲劳等级，并输出为作业人员此时的疲劳等级。
第二方面，本发明提供一种用于作业人员的脑电信号疲劳监测系统，包括：脑电信号采集模块、测试信号采集模块、脑电信号处理模块、数据库建立模块和疲劳特征匹配模块；
所述脑电信号采集模块用于采集作业人员的脑电信号并发送至脑电信号处理模块；所述测试信号采集模块包括测试人员采集单元、心率指标采集单元、眼动频率采集单元和自我感知采集单元；所述测试信号采集模块用于采集测试人员的生理状态数据，所述测试人员的生理状态数据包括：测试人员的脑电信号、心率指标、眼动频率和自我感知；
所述脑电信号处理模块用于提取作业人员的脑电信号的信号特征；
所述数据库建立模块配置有测试脑电信号处理单元、疲劳分析单元和数据库建立单元；所述测试脑电信号处理单元用于提取测试人员的脑电信号的信号特征；所述疲劳分析单元用于对测试人员的生理状态数据进行分析得到测试人员的脑电信号分级和感知分级；所述数据库建立单元用于整合测试人员的脑电信号的信号特征、测试人员的脑电信号分级和感知分级，并建立脑电信号疲劳数据库；
所述疲劳匹配模块用于对作业人员的脑电信号的信号特征和脑电信号疲劳数据库中的信号特征进行匹配，并输出成功匹配的信号特征所对应的疲劳等级。
本发明的有益效果：本发明首先通过获取测试人员的脑电信号和其他生理状态数据，对测试人员的脑电信号进行划分得到脑电信号分级，再对测试人员的其他生理状态数据进行分析得到测试人员的感知分级；通过对测试人员的脑电信号分级和感知分级的综合分析；能够准确得到测试人员的疲劳等级，为建立脑电信号疲劳数据库提供了精准的数据支持；
本发明还通过获取测试人员的脑电信号图的零交率和坡度符号变化，将测试人员的脑电信号图的零交率和坡度符号变化设置为测试人员的脑电信号的信号特征，通过对测试人员和作业人员的脑电信号的信号特征进行比对，可以准确迅速地得到作业人员当前脑电信号特征对应的疲劳等级。
本发明附加方面的优点将在下面的具体实施方式的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其他特征、目的和优点将会变得更明显：
图1为本发明的方法的流程示意图；
图2为本发明的疲劳等级判断流程图；
图3为本发明的系统的原理框图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
请参阅图1所示，本发明目的是提供一种用于作业人员的脑电信号疲劳监测方法，通过采集测试人员的脑电信号和其他生理状态数据，建立脑电信号疲劳数据库，能够通过匹配作业人员和脑电信号疲劳数据库内的信号特征，得到作业人员的实时疲劳状态；以解决现有的疲劳监测方法不够精准，无法对作业人员的疲劳状态进行准确实时识别和校准的问题；监测方法包括如下步骤：
步骤S1：获取测试人员的生理状态数据，测试人员的生理状态数据包括测试人员的脑电信号、心率指标、眼动频率和测试人员的感知等级；测试人员为佩戴测试装备的作业人员；测试装备包括脑电信号采集设备、心率指标采集设备和视频采集设备，视频采集设备用于采集测试人员的眼动频率；在具体实施过程中，眼动频率为第一时长内测试人员每分钟的平均眨眼次数；感知等级由测试人员记录，测试人员每间隔第一时长s记录一次当前感知等级，感知等级包括不疲劳、一般疲劳、疲劳和严重疲劳；在具体实施过程中，第一时长s设置为15min，测试人员的感知等级为测试人员对自身疲劳程度的实时感知，由测试人员本人如实记录，感知等级D(P)赋值为：不疲劳赋值为0，一般疲劳赋值为0.4，疲劳赋值为0.8，严重疲劳赋值为1；
步骤S2：提取测试人员的脑电信号的信号特征；
步骤S2包括如下子步骤：
步骤S201：获取测试人员的脑电信号图的零交率和坡度符号变化；
步骤S201包括如下子步骤：
步骤S20101：获取信号X(t)，计算同时满足
{X(t)＜0andX(t+1)＞0}or{X(t)＜0andX(t+1)＞0}的次数，得到该信号的零交率，其中，|X(t)-X(t+1)≥∈，∈为一个阈值，以避免由于噪声而误算过零次数；
步骤S20102：获取信号X(m)，计算同时满足的次数，得到斜率信号变化的次数；其中，X(m)-X(m+1)≥∈andX(m)-X(m-1)≥∈；
步骤S202：将脑电信号图的零交率和坡度符号变化设置为脑电信号图的信号特征；
步骤S3：对测试人员的脑电信号进行处理得到测试人员疲劳状态的脑电信号分级；
步骤S3包括如下子步骤：
步骤S301：根据脑电信号的频率对脑电信号进行分类：将频率为8-14Hz的脑电信号设置为α节律；将频率为14-30Hz的脑电信号设置为β节律；将频率为4-8Hz的脑电信号设置为θ节律；将频率为0.5-4Hz的脑电信号设置为δ节律；在具体实施过程中，在清醒、安静和闭眼放松的状态下，正常成人的脑电图是以α波为基本频率并间有β波和少量低波幅的慢波所组成；
步骤S302：每间隔第一时长s获取一次脑电信号节律占比，脑电信号节律占比包括α节律占比J(α)、β节律占比J(β)、θ节律占比J(θ)和δ节律占比J(δ)；
步骤S303：将脑电信号节律占比代入脑电信号疲劳计算公式中，求得测试人员的脑电信号疲劳值；其中，Pn为脑电信号疲劳值；
步骤S304：当Pn＞2时，判定测试人员为脑电信号严重疲劳；
当2≥Pn＞1.5时，判定测试人员为脑电信号疲劳；
当1.5≥Pn＞1时，判定测试人员为脑电信号一般疲劳；
当Pn≤1时，判定测试人员为脑电信号不疲劳；在具体实施过程中，正常成人的脑电图是以α节律为基本频率并间有β节律、少量δ节律和θ节律的慢波所组成，Pn越大，α节律和δ节律的占比越大，测试人员脑电信号表现越疲劳；
步骤S4：根据测试人员的心率指标、眼动频率和测试人员的感知等级对测试人员状态进行分级，得到测试人员的感知分级；
步骤S4包括如下子步骤：
步骤S401：获取测试人员的心率指标HR，根据测试人员的心率指标对测试人员的疲劳程度进行初步划分得到心率疲劳等级D(HR)；当测试人员的心率指标HR小于90beats/min时，判定测试人员处于心率不疲劳；当测试人员的心率指标HR在90至110beats/min之间时，判定测试人员处于心率一般疲劳；当测试人员的心率指标HR在110至130beats/min之间时，判定测试人员处于心率疲劳；当测试人员的心率指标HR大于130beats/min之间时，判定测试人员处于心率严重疲劳；在具体实施过程中，心率疲劳等级赋值D(HR)分别为心率不疲劳赋值为0，心率一般疲劳赋值为0.4，心率疲劳赋值为0.8，心率严重疲劳赋值为1；
步骤S402：对测试人员的眼动频率进行初步划分得到眼动频率等级E；当测试人员眼动频率小于15次/min时，判定测试人员为严重疲劳眼动；当测试人员眼动频率为15至20次/min时，判定测试人员为正常眼动；当测试人员眼动频率为20至25次/min时，判定测试人员为一般疲劳眼动；当测试人员眼动频率为25至30次/min时，判定测试人员为疲劳眼动；当测试人员眼动频率为大于30次/min时，判定为异常眼动，不计入数据；在具体实施过程中，眼动频率等级E赋值分别为正常眼动赋值为0，一般疲劳眼动赋值为0.4，疲劳眼动赋值为0.8，严重疲劳眼动赋值为1；
步骤S403：将心率疲劳等级、眼动频率和感知等级代入感知疲劳公式Pg＝C1×D(HR)+C2×E+C3×D(P)；其中，Pg为感知疲劳值，C1为心率疲劳权重值，D(HR)为心率疲劳等级，C2为眼动频率等级权重值，E为眼动频率等级，C3为自我感知权重值，D(P)为感知等级；
步骤S404：对测试人员的感知疲劳值进行分类得到测试人员的感知疲劳等级：
当Pg＞0.8时，判定测试人员为感知严重疲劳；
当0.8≥Pg＞0.6时，判定测试人员为感知疲劳；
当0.6≥Pg＞0.4时，判定测试人员为感知一般疲劳；
当Pg≤0.4时，判定测试人员为感知不疲劳；
步骤S5：获取大量测试人员的脑电信号分级和测试人员的感知分级，建立脑电信号疲劳数据库；
请参阅图2所示，步骤S5包括如下子步骤：
步骤S501：为脑电信号分级和感知分级进行赋值；对脑电信号不疲劳赋值为1，对脑电信号一般疲劳赋值为2，对脑电信号疲劳赋值为3，对脑电信号严重疲劳赋值为4；对感知不疲劳赋值为1，对感知一般疲劳赋值为2，对感知疲劳赋值为3，对感知严重疲劳赋值为4；
步骤S502：求得脑电信号分级赋值与感知分级赋值的差值的绝对值，设置为疲劳准确值；
步骤S503：当疲劳准确值等于0时，此时脑电信号分级与感知分级相同，输出脑电信号分级或感知分级设置为疲劳等级；在具体实施过程中，当疲劳准确值等于0时，脑电信号分级与感知分级相同，此时数据最为准确；
当疲劳准确值大于0且小于等于1时，输出感知分级，设置为疲劳等级；
当疲劳准确值大于1且小于等于2时，输出脑电信号分级，设置为疲劳等级；
当疲劳准确值大于2时，将此次数据设置为无效数据并筛除；
步骤S504：获取每个疲劳等级所对应的所有脑电信号的信号特征，得到疲劳等级和疲劳等级对应的脑电信号的信号特征合集，将合集设置为脑电信号疲劳数据库；
步骤S6：获取作业人员的脑电信号并提取脑电信号特征；在具体实施过程中，在作业人员在从事作业活动的情况下，会出现不方便提取作业人员心率指标、眼动频率和作业人员的感知等级的情况，因此，在判断作业人员的疲劳等级时，仅提取作业人员的脑电信号特征作为疲劳判断标准；
步骤S6包括如下子步骤：
步骤S601：获取作业人员的脑电信号图的零交率和坡度符号变化；
步骤S602：将作业人员的脑电信号图的零交率和坡度符号变化设置为脑电信号图的信号特征；
步骤S7：将作业人员的脑电信号的信号特征与脑电信号疲劳数据库中的脑电信号的信号特征进行比对，进行疲劳度匹配，得到作业人员疲劳程度；
步骤S7包括如下子步骤：
步骤S701：获取作业人员的脑电信号图的零交率和坡度符号变化；
步骤S702：将作业人员脑电信号图的零交率和坡度符号变化设置为待匹配信号特征；
步骤S703：将待匹配信号特征与脑电信号疲劳数据库内的信号特征进行匹配，得到匹配信号特征的疲劳等级，并输出为作业人员此时的疲劳等级；在具体实施过程中，脑电信号疲劳数据库中的信号特征是经过校准后提取的，因此在匹配信号特征的疲劳等级时具有较高的准确性，同时减少对作业人员作业情况下的生理状态提取数据，避免了由于提取生理状态数据影响作业人员从事作业活动的情况。
实施例2
请参阅图3所示，一种用于作业人员的脑电信号疲劳监测系统，包括：脑电信号采集模块、测试信号采集模块、脑电信号处理模块、数据库建立模块和疲劳特征匹配模块；
脑电信号采集模块用于采集作业人员的脑电信号并发送至脑电信号处理模块；测试信号采集模块包括测试人员采集单元、心率指标采集单元、眼动频率采集单元和自我感知采集单元；测试信号采集模块用于采集测试人员的生理状态数据，测试人员的生理状态数据包括：测试人员的脑电信号、心率指标、眼动频率和自我感知；
脑电信号处理模块用于提取作业人员的脑电信号的信号特征；
数据库建立模块配置有测试脑电信号处理单元、疲劳分析单元和数据库建立单元；测试脑电信号处理单元用于提取测试人员的脑电信号的信号特征；疲劳分析单元用于对测试人员的生理状态数据进行分析得到测试人员的脑电信号分级和感知分级；数据库建立单元用于整合测试人员的脑电信号的信号特征、测试人员的脑电信号分级和感知分级，并建立脑电信号疲劳数据库；
疲劳匹配模块用于对作业人员的脑电信号的信号特征和脑电信号疲劳数据库中的信号特征进行匹配，并输出成功匹配的信号特征所对应的疲劳等级。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。其中，存储介质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，如静态随机存取存储器(Static Random AccessMemory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead Only Memory，简称EPROM)，可编程只读存储器(Programmable Red-Only Memory，简称PROM)，只读存储器(Read-OnlyMemory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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所述权利要求的保护范围为准。
Claims (10)
1.一种用于作业人员的脑电信号疲劳监测方法，其特征在于，所述监测方法包括如下步骤：
步骤S1：获取测试人员的生理状态数据，所述测试人员的生理状态数据包括测试人员的脑电信号、心率指标、眼动频率和测试人员的感知等级；
步骤S2：提取测试人员的脑电信号的信号特征；
步骤S3：对测试人员的脑电信号进行处理得到测试人员疲劳状态的脑电信号分级；
步骤S4：根据测试人员的心率指标、眼动频率和测试人员的感知等级对测试人员状态进行分级，得到测试人员的感知分级；
步骤S5：获取大量测试人员的脑电信号分级和测试人员的感知分级，建立脑电信号疲劳数据库；
步骤S6：获取作业人员的脑电信号并提取脑电信号特征；
步骤S7：将作业人员的脑电信号的信号特征与脑电信号疲劳数据库中的脑电信号的信号特征进行比对，进行疲劳度匹配，得到作业人员疲劳程度。
2.根据权利要求1所述的一种用于作业人员的脑电信号疲劳监测方法，其特征在于，所述步骤S1中所述测试人员为佩戴测试装备的作业人员；所述测试装备包括脑电信号采集设备、心率指标采集设备和视频采集设备，所述视频采集设备用于采集测试人员的眼动频率；所述感知等级由测试人员记录，测试人员每间隔第一时长s记录一次当前感知等级，所述感知等级包括不疲劳、一般疲劳、疲劳和严重疲劳。
3.根据权利要求2所述的一种用于作业人员的脑电信号疲劳监测方法，其特征在于，所述步骤S2包括如下子步骤：
步骤S201：获取测试人员的脑电信号图的零交率和坡度符号变化；
步骤S202：将脑电信号图的零交率和坡度符号变化设置为脑电信号图的信号特征。
4.根据权利要求3所述的一种用于作业人员的脑电信号疲劳监测方法，其特征在于，步骤S201包括如下子步骤：
步骤S20101：获取信号X(t)，计算同时满足{X(t)＜0andX(t+1)＞0}or{X(t)＜0andX(t+1)＞0}的次数，得到该信号的零交率，其中，|X(t)-X(t+1)≥∈，∈为一个阈值，以避免由于噪声而误算过零次数；
步骤S20102：获取信号X(m)，计算同时满足的次数，得到斜率信号变化的次数；其中，|X(m)-X(m+1)|≥∈and|X(m)-X(m-1)|≥∈。
5.根据权利要求4所述的一种用于作业人员的脑电信号疲劳监测方法，其特征在于，所述步骤S3包括如下子步骤：
步骤S301：根据脑电信号的频率对脑电信号进行分类：将频率为8-14Hz的脑电信号设置为α节律；将频率为14-30Hz的脑电信号设置为β节律；将频率为4-8Hz的脑电信号设置为θ节律；将频率为0.5-4Hz的脑电信号设置为δ节律；
步骤S302：每间隔第一时长s获取一次脑电信号节律占比，所述脑电信号节律占比包括α节律占比J(α)、β节律占比J(β)、θ节律占比J(θ)和δ节律占比J(δ)；
步骤S303：将脑电信号节律占比代入脑电信号疲劳计算公式中，求得测试人员的脑电信号疲劳值；其中，Pn为脑电信号疲劳值；
步骤S304：当Pn＞2时，判定测试人员为脑电信号严重疲劳；
当2≥Pn＞1.5时，判定测试人员为脑电信号疲劳；
当1.5≥Pn＞1时，判定测试人员为脑电信号一般疲劳；
当Pn≤1时，判定测试人员为脑电信号不疲劳。
6.根据权利要求5所述的一种用于作业人员的脑电信号疲劳监测方法，其特征在于，所述步骤S4包括如下子步骤：
步骤S401：获取测试人员的心率指标HR，根据测试人员的心率指标对测试人员的疲劳程度进行初步划分得到心率疲劳等级D(HR)；当测试人员的心率指标HR小于90beats/min时，判定测试人员处于心率不疲劳；当测试人员的心率指标HR在90至110beats/min之间时，判定测试人员处于心率一般疲劳；当测试人员的心率指标HR在110至130beats/min之间时，判定测试人员处于心率疲劳；当测试人员的心率指标HR大于130beats/min之间时，判定测试人员处于心率严重疲劳；
步骤S402：对测试人员的眼动频率进行初步划分得到眼动频率等级E；当测试人员眼动频率小于15次/min时，判定测试人员为严重疲劳眼动；当测试人员眼动频率为15至20次/min时，判定测试人员为正常眼动；当测试人员眼动频率为20至25次/min时，判定测试人员为一般疲劳眼动；当测试人员眼动频率为25至30次/min时，判定测试人员为疲劳眼动；当测试人员眼动频率为大于30次/min时，判定为异常眼动，不计入数据；
步骤S403：将心率疲劳等级、眼动频率和感知等级代入感知疲劳公式Pg＝C1×D(HR)+C2×E+C3×D(P)；其中，Pg为感知疲劳值，C1为心率疲劳权重值，D(HR)为心率疲劳等级，C2为眼动频率等级权重值，E为眼动频率等级，C3为自我感知权重值，D(P)为感知等级；
步骤S404：对测试人员的感知疲劳值进行分类得到测试人员的感知疲劳等级：
当Pg＞0.8时，判定测试人员为感知严重疲劳；
当0.8≥Pg＞0.6时，判定测试人员为感知疲劳；
当0.6≥Pg＞0.4时，判定测试人员为感知一般疲劳；
当Pg≤0.4时，判定测试人员为感知不疲劳。
7.根据权利要求6所述的一种用于作业人员的脑电信号疲劳监测方法，其特征在于，所述步骤S5包括如下子步骤：
步骤S501：为脑电信号分级和感知分级进行赋值；对脑电信号不疲劳赋值为1，对脑电信号一般疲劳赋值为2，对脑电信号疲劳赋值为3，对脑电信号严重疲劳赋值为4；对感知不疲劳赋值为1，对感知一般疲劳赋值为2，对感知疲劳赋值为3，对感知严重疲劳赋值为4；
步骤S502：求得脑电信号分级赋值与感知分级赋值的差值的绝对值，设置为疲劳准确值；
步骤S503：当疲劳准确值等于0时，此时脑电信号分级与感知分级相同，输出脑电信号分级或感知分级设置为疲劳等级；
当疲劳准确值大于0且小于等于1时，输出感知分级，设置为疲劳等级；
当疲劳准确值大于1且小于等于2时，输出脑电信号分级，设置为疲劳等级；
当疲劳准确值大于2时，将此次数据设置为无效数据并筛除；
步骤S504：获取每个疲劳等级所对应的所有脑电信号的信号特征，得到疲劳等级和所述疲劳等级对应的脑电信号的信号特征合集，将合集设置为脑电信号疲劳数据库。
8.根据权利要求7所述的一种用于作业人员的脑电信号疲劳监测方法，其特征在于，所述步骤S6包括如下子步骤：
步骤S601：获取作业人员的脑电信号图的零交率和坡度符号变化；
步骤S602：将作业人员的脑电信号图的零交率和坡度符号变化设置为脑电信号图的信号特征。
9.根据权利要求8所述的一种用于作业人员的脑电信号疲劳监测方法，其特征在于，所述步骤S7包括如下子步骤：
步骤S701：获取作业人员的脑电信号图的零交率和坡度符号变化；
步骤S702：将作业人员脑电信号图的零交率和坡度符号变化设置为待匹配信号特征；
步骤S703：将待匹配信号特征与脑电信号疲劳数据库内的信号特征进行匹配，得到匹配信号特征的疲劳等级，并输出为作业人员此时的疲劳等级。
10.适用于权利要求1-9任意一项所述的一种用于作业人员的脑电信号疲劳监测方法的系统，包括：脑电信号采集模块、测试信号采集模块、脑电信号处理模块、数据库建立模块和疲劳特征匹配模块；
所述脑电信号采集模块用于采集作业人员的脑电信号并发送至脑电信号处理模块；所述测试信号采集模块包括测试人员采集单元、心率指标采集单元、眼动频率采集单元和自我感知采集单元；所述测试信号采集模块用于采集测试人员的生理状态数据，所述测试人员的生理状态数据包括：测试人员的脑电信号、心率指标、眼动频率和自我感知；
所述脑电信号处理模块用于提取作业人员的脑电信号的信号特征；
所述数据库建立模块配置有测试脑电信号处理单元、疲劳分析单元和数据库建立单元；所述测试脑电信号处理单元用于提取测试人员的脑电信号的信号特征；所述疲劳分析单元用于对测试人员的生理状态数据进行分析得到测试人员的脑电信号分级和感知分级；所述数据库建立单元用于整合测试人员的脑电信号的信号特征、测试人员的脑电信号分级和感知分级，并建立脑电信号疲劳数据库；
所述疲劳匹配模块用于对作业人员的脑电信号的信号特征和脑电信号疲劳数据库中的信号特征进行匹配，并输出成功匹配的信号特征所对应的疲劳等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311784846.4A CN117617992A (zh) | 2023-12-24 | 2023-12-24 | 一种用于作业人员的脑电信号疲劳监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311784846.4A CN117617992A (zh) | 2023-12-24 | 2023-12-24 | 一种用于作业人员的脑电信号疲劳监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117617992A true CN117617992A (zh) | 2024-03-01 |
Family
ID=90026997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311784846.4A Pending CN117617992A (zh) | 2023-12-24 | 2023-12-24 | 一种用于作业人员的脑电信号疲劳监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117617992A (zh) |
-
2023
- 2023-12-24 CN CN202311784846.4A patent/CN117617992A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gierałtowski et al. | Multiscale multifractal analysis of heart rate variability recordings with a large number of occurrences of arrhythmia | |
| CN104903897B (zh) | 癫痫和癫痫发作的易发性的评定 | |
| CN112741638B (zh) | 一种基于eeg信号的医疗诊断辅助系统 | |
| Johnson et al. | Ability of primary auditory cortical neurons to detect amplitude modulation with rate and temporal codes: neurometric analysis | |
| CN116407090A (zh) | 基于脑电图（eeg）非线性变化的用于癫痫发作检测的系统和方法 | |
| JP7562745B2 (ja) | 脳波（ｅｅｇ）の非線形性の変化に基づく発作検出システム及び方法 | |
| CN114364318A (zh) | 监测神经记录的质量 | |
| CN107530014B (zh) | 用于测量、显示和准确检测电生理诱发电位的变化的系统、方法以及计算机算法 | |
| CN104173046A (zh) | 一种色彩标记振幅整合脑电图的提取方法 | |
| CN115153463A (zh) | 睡眠状态识别模型的训练方法、睡眠状态识别方法和装置 | |
| US20210022638A1 (en) | Method of generation of a state indicator of a person in coma | |
| WO2015157253A1 (en) | Stochastic oscillator analysis in neuro diagnostics | |
| JPWO2019216378A1 (ja) | 演算装置、検知装置、演算方法、及び、コンピュータプログラム | |
| Baldominos et al. | Optimizing EEG energy-based seizure detection using genetic algorithms | |
| CN115486814A (zh) | 基于多模态癫痫数据智能融合分析与处理方法 | |
| CN215017693U (zh) | 基于频谱分析的脑电信号质量的检测装置及系统 | |
| Huang et al. | Detecting and characterizing high-frequency oscillations in epilepsy: a case study of big data analysis | |
| CN111613338B (zh) | 棘慢复合波检测模型构建方法、系统 | |
| CN116898454B (zh) | 基于脑电特征融合深度学习模型的癫痫分类方法及系统 | |
| CN115429292A (zh) | 基于频谱分析的脑电信号质量的检测装置及系统 | |
| CN113426015A (zh) | 深部脑内刺激的干预方法、装置、电子设备及存储介质 | |
| CN116092641B (zh) | 一种睡眠感官应激水平动态调节的方法、系统和装置 | |
| CN117617992A (zh) | 一种用于作业人员的脑电信号疲劳监测方法及系统 | |
| CN115804590A (zh) | 觉醒状态检测系统及方法 | |
| Mühlberg et al. | Seizure prediction by multivariate autoregressive model order optimization |
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 |