一种面向RSVP脑-机接口的疲劳检测方法技术

本发明专利技术涉及一种面向RSVP脑‑机接口的疲劳检测方法，解决了现有技术中RSVP‑BCI作业过程中无法有效掌握用户在疲劳状态的问题的问题。一种面向RSVP脑‑机接口的疲劳检测方法，包括以下步骤：以一定频率的RSVP方式呈现图像内容，当目标图像出现时，被试作出行为反应，并记录其行为学信息，通过评分量表标记被试疲劳状态；提取被试脑电信号，并对所述脑电信号进行预处理，以功率谱密度作为疲劳特征；对所述疲劳特征进行识别，得到疲劳状态识别结果。实现了RSVP‑BCI作业过程中用户的疲劳状态识别，解决了现有技术中RSVP‑BCI作业过程中无法有效掌握用户在疲劳状态的问题。

A Fatigue Detection Method for RSVP Brain-Computer Interface

The invention relates to a fatigue detection method for RSVP brain-computer interface, which solves the problem that RSVP BCI can not effectively grasp the user's fatigue state in the process of operation in the prior art. A fatigue detection method for RSVP brain-computer interface includes the following steps: presenting image content in RSVP mode at a certain frequency, recording behavior information when the target image appears, marking the fatigue state of the subjects by scoring scale, extracting EEG signals of the subjects, and preprocessing the EEG signals with power spectral density as the function. The fatigue characteristics are identified and the results of fatigue state recognition are obtained. The fatigue status identification of users in RSVP BCI operation process is realized, and the problem that users can not effectively grasp the fatigue status in RSVP BCI operation process in the existing technology is solved.

【技术实现步骤摘要】
一种面向RSVP脑-机接口的疲劳检测方法
本专利技术涉及疲劳检测
，尤其涉及一种面向RSVP脑-机接口的疲劳检测方法。
技术介绍
速序列视觉呈现(rapidserialvisualpresentation，RSVP)指在相同的空间位置序列性地高速呈现图像的过程。基于RSVP的脑-机接口(Brain-computerinterface，BCI)，通过检测图像序列高速呈现过程中小概率目标刺激诱发的大脑响应，从而识别使用者所关注的目标图象。RSVP-BCI技术利用人类视觉系统的图像处理和理解能力，具有比机器视觉更加高效的信息处理能力。并且，相比于人工标记，RSVP-BCI技术具有省时、高效等优势。RSVP-BCI技术已被逐渐应用于人脸识别、医学图像分析等海量图像/信息处理领域。基于RSVP-BCI技术的作业系统需要操作人员时刻保持相对较高的专注度，从而保证稳定的工作绩效。然而，长时程、高注意力的视觉信息处理极易引发脑力疲劳，引起中枢神经系统对视觉信息处理能力的下降，导致作业人员出现注意力不集中、反应迟缓、警觉水平和工作能力下降的状况，极大影响工作绩效，造成信息的误判、漏判，甚至操作失误引发安全隐患。因此，急需建立一种有效的用户疲劳状态监测技术，实时掌握用户在作业过程中的疲劳状态变化。当检测到用户处于疲劳状态时，及时实施外部干预，避免用户过度疲劳，从而降低信息误判风险。面向RSVP-BCI的疲劳检测技术可实现用户疲劳状态的有效监测，保证了作业绩效的稳定性，为长时程作业过程中的疲劳预警提供了技术支持。
技术实现思路
鉴于上述的分析，本专利技术旨在提供一种面向RSVP脑-机接口的疲劳检测方法，用以解决现有技术中RSVP-BCI作业过程中无法有效掌握用户在疲劳状态的问题。本专利技术提供一种面向RSVP脑-机接口的疲劳检测方法，包括以下步骤：以一定频率的RSVP方式呈现图像内容，当目标图像出现时，被试作出行为反应，并记录其行为学信息，期间通过评分量表标记被试疲劳状态；提取被试者脑电信号，并对所述脑电信号进行预处理，以功率谱密度作为疲劳特征；对所述疲劳特征进行识别，得到疲劳状态识别结果。上述技术方案的有益效果为：通过上述方法实现了RSVP-BCI作业过程中用户疲劳状态的识别。进一步地，提取被试脑电信号具体包括：使用脑电采集系统，以前额为地，电极Cz为参考，在一定的采样频率采集脑电初始信号；通过带通滤波器和陷波器进行带通滤波和去除工频干扰，提取得到被试脑电信号。进一步地，对所述脑电信号进行预处理，具体包括：对所述脑电信号带通滤波到一定的频率范围，得到滤波后的脑电信号，将所述滤波后的脑电信号截取为数据片段。上述进一步技术方案的有益效果为：通过对脑电信号进行预处理，将脑电信号截取为数据片段，便于对该脑电信号对应的功率谱密度进行分析。进一步地，将所述滤波后的脑电信号截取为数据片段，具体包括：将所述滤波后的脑电信号截取为多个时长相同并且有一定时长重叠的数据片段。上述进一步技术方案的有益效果为：所述数据片段时长相同便于后续的疲劳状态识别，数据片段时长的重叠，增加数据段的数据量，从而增加疲劳状态识别的正确性。进一步地，以功率谱密度作为疲劳特征，具体包括：将所述数据片段输入自回归模型，算出自回归模型系数ak，采用基于自回归模型的功率谱密度估计方法，计算得到功率谱密度，将其作为疲劳状态的识别特征。进一步地，基于自回归模型的功率谱密度估计方法的估算公式为：其中，σ2为白噪声方差，ak为自回归模型，p模型阶数，k为阶数的取值，ω为频率，P(ω)为功率谱密度。进一步地，对疲劳特征进行识别，得到疲劳状态识别结果，具体包括：采用支持向量机，选用线性核函数，对疲劳特征进行模式识别，得到疲劳状态识别结果。上述进一步技术方案的有益效果为：采用支持向量机算法快速、有效的识别疲劳状态。进一步地，以一定频率的RSVP呈现图像内容，具体包括，以一定频率依次呈现m段图像内容，其中，每段图像内容包括α组图像内容，每组图像内容包括n张图片，m≥3，α≥2，n≥100。上述进一步技术方案的有益效果为：通过上述方法诱发被试者的不同疲劳状态。进一步地，上述方案还包括对疲劳状态识别结果的正确率进行验证，具体包括：基于评分量表标记的疲劳状态，通过交叉验证方法，对每种疲劳状态下每组任务的疲劳特征完成一次测试，将测试所得疲劳识别结果和实际疲劳状态做对比，得到一种识别正确率，将所有识别正确率进行平均，得到疲劳状态识别结果的正确率。进一步地，若所述疲劳状态识别结果的正确率不符合要求，则对所述所有数据片段的功率密度特征，在时间维度上，采用一定窗宽的滑动平均滤波方法进行平滑处理，得到平滑处理后的功率谱密度特征空间；然后基于互信息方法，在特征向量维度上，从所述功率谱密度特征空间中寻找与目标疲劳状态类别有最大相关性且相互之间具有最少冗余性的特征集，将所述特征集作为疲劳特征进行识别，得到疲劳状态识别结果。上述进一步技术方案的有益效果为：通过上述方法实现疲劳状态识别结果正确率的提高，使得RSVP-BCI诱发疲劳状态的识别更加鲁棒。本专利技术中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。附图说明附图仅用于示出具体实施例的目的，而并不认为是对本专利技术的限制，在整个附图中，相同的参考符号表示相同的部件。图1为本专利技术实施例1所述方法的流程示意图；图2为本专利技术实施例2所述RSVP图像呈现过程示意图。具体实施方式下面结合附图来具体描述本专利技术的优选实施例，其中，附图构成本申请一部分，并与本专利技术的实施例一起用于阐释本专利技术的原理，并非用于限定本专利技术的范围。实施例1本专利技术的一个具体实施例，公开了一种面向RSVP脑-机接口的疲劳检测方法,包括以步骤：步骤S1、以一定频率的RSVP呈现图像内容，当目标图像出现时，被试作出行为反应，并记录其行为学信息，期间通过评分量表标记被试疲劳状态；具体的，以一定频率依次呈现m段图像内容，当目标图像出现时，被试作出行为反应；其中，每段图像内容包括α组图像内容，每组图像内容包括n张图片，m≥3，α≥2，n≥100；通过上述方法诱发被试者的不同疲劳状态，具体的，疲劳状态包括三种，即未疲劳、中度疲劳、重度疲劳。步骤S2、提取被试者脑电信号，并对所述脑电信号进行预处理，以功率谱密度作为疲劳特征；具体的，使用脑电采集系统，以前额为地，电极Cz为参考，在一定的采样频率采集脑电初始信号；通过带通滤波器和陷波器进行带通滤波和去除工频干扰，提取得到被试脑电信号；对所述脑电信号带通滤波到一定的频率范围，得到滤波后的脑电信号，将所述滤波后的脑电信号截取为数据片段；优选的，将所述滤波后的脑电信号截取为多个时长相同并且有一定时长重叠的数据片段；将所述数据片段输入自回归模型，算出自回归模型系数，以基于自回归模型的功率谱密度作为疲劳状态的识别特征。所述基于自回归模型的功率谱密度有如下定义：其中，σ2为白噪声方差，ak为自回归模型，p模型阶数，k为阶数的取值，取值范围为0～p，ω为频率，P(ω)为功率谱密本文档来自技高网...

【技术保护点】
1.一种面向RSVP脑‑机接口的疲劳检测方法，其特征在于，包括以下步骤：以一定频率的RSVP方式呈现图像内容，当目标图像出现时，被试作出行为反应，并记录其行为学信息，通过评分量表标记被试疲劳状态；提取被试脑电信号，并对所述脑电信号进行预处理，以功率谱密度作为疲劳特征；对所述疲劳特征进行识别，得到疲劳状态识别结果。

【技术特征摘要】
1.一种面向RSVP脑-机接口的疲劳检测方法，其特征在于，包括以下步骤：以一定频率的RSVP方式呈现图像内容，当目标图像出现时，被试作出行为反应，并记录其行为学信息，通过评分量表标记被试疲劳状态；提取被试脑电信号，并对所述脑电信号进行预处理，以功率谱密度作为疲劳特征；对所述疲劳特征进行识别，得到疲劳状态识别结果。2.根据权利要求1所述的方法，其特征在于，提取被试脑电信号具体包括：使用脑电采集系统，以前额为地，电极Cz为参考，在一定的采样频率采集脑电初始信号；通过带通滤波器和陷波器进行带通滤波和去除工频干扰，提取得到被试脑电信号。3.根据权利要求2所述的方法，其特征在于，对所述脑电信号进行预处理，具体包括：对所述脑电信号带通滤波到一定的频率范围，得到滤波后的脑电信号，将所述滤波后的脑电信号截取为数据片段。4.根据权利要求3所述的方法，其特征在于，将所述滤波后的脑电信号截取为数据片段，具体包括：将所述滤波后的脑电信号截取为多个时长相同并且有一定时长重叠的数据片段。5.根据权利要求3所述的方法，其特征在于，以功率谱密度作为疲劳特征，具体包括：将所述数据片段输入自回归模型，算出自回归模型系数ak，采用基于自回归模型的功率谱密度估计方法，计算得到功率谱密度，将其作为疲劳状态的识别特征。6.根据权利要求5所述的方法，其特征在于，基于自回归模型的功率谱密度估计方法的估算公式为：其中，...

【专利技术属性】
技术研发人员：奕伟波，赵开宇，刘昊，张利剑，
申请(专利权)人：北京机械设备研究所，
类型：发明
国别省市：北京,11