一种智能安全帽的压力、疲劳信息监测方法技术

本发明专利技术涉及生物医学信号处理技术领域，尤其涉及一种智能安全帽的压力、疲劳信息监测方法，包括如下步骤：包括如下步骤：步骤S10：采集脑电信号；步骤S20：对采集的信号进行预处理，去除基线漂移、工频干扰和噪音；步骤S30：对预处理之后的信号在时域、频域和非线性域进行特征提取；步骤S40：采用最大相关最小冗余算法进行特征选择，分别对疲劳检测和压力检测相关特征进行选择与保留；步骤S50：通过BP神经网络分别对疲劳检测和压力检测进行识别与训练，构建疲劳等级F、压力等级P，并建立精神状态评估方程：S＝e

【技术实现步骤摘要】
一种智能安全帽的压力、疲劳信息监测方法
本专利技术涉及生物医学信号处理
，尤其涉及一种智能安全帽的压力、疲劳信息监测方法。
技术介绍
有一些高危工种如电力高空作业等，在作业时，需要工人保持注意力集中与精力充沛，否则容易产生安全事故，但是在高危作业时，工人又时刻面临着较大的精神压力，容易疲惫。然而大部分人自我感知的压力和疲劳程度与实际情况并不贴合，或即使在自我感知压力大或者疲劳的状态下依然坚持工作，因此对于压力和疲劳的监测是必要的。脑电信号是评价精神状态的重要指标，可以有效地反映精神压力或者疲劳状态，然而在高危作业的工人身上，大多只集成有环境监测装置，无法对工人的生理状态进行实时监测。且现有技术中，基于脑电监测精神状态的研究，只从疲劳方面或压力方面进行研究，而实际上压力和疲劳关系密切，长时间的精神压力是导致疲劳的一个重要因素，压力和疲劳共同影响工人当前精神状态，只对疲劳或压力中的一种进行监测，无法全面的反映出精神负面状态。鉴于上述问题的存在，本设计人基于从事此类产品工程应用多年丰富的实务经验及专业知识，并配合学理的运用，积极加以研究创新，以期创设一种智能安全帽的压力、疲劳信息监测方法，使其更具有实用性。
技术实现思路
本专利技术所要解决的技术问题是：提供一种智能安全帽的压力、疲劳信息监测方法，实现精神负面状态的监测。为了达到上述目的，本专利技术所采用的技术方案是：一种智能安全帽的压力、疲劳信息监测方法，包括如下步骤：步骤S10：通过智能安全帽对工人采集脑电信号；步骤S20：对采集的信号进行预处理，先去除基线漂移和工频干扰，再使用小波阈值法去除噪音；步骤S30：对预处理之后的信号在时域、频域和非线性域进行特征提取；其中时域特征为均值、均方根、过零点数和Hjorth参数；频域特征为频域指标和中值频率；非线性域特征为样本熵；步骤S40：采用最大相关最小冗余算法进行特征选择，分别对疲劳检测和压力检测相关特征进行选择与保留；步骤S50：通过BP神经网络分别对疲劳检测和压力检测进行识别与训练，将特征值设置为输入层的神经单元，构建疲劳等级F、压力等级P，并建立精神状态评估方程：S＝eF-1+P(1)式中，S为精神状态指标；步骤S60：对工人疲劳等级F、压力等级P和精神状态指标S进行综合评估，判断工人精神状态。进一步地，所述步骤S10中，先对工人预采集正常、压力和疲劳的数据，具体为：步骤S11：在工人非工作的平静状态下佩戴智能安全帽一段时间，同时采集脑电信号，将其作为自然状态下的脑电参考信号；步骤S12：在工人进入工作状态后，将其标记为进入压力状态，同时持续采集脑电信号，并要求工人关注自身精神状态，在每完成一个阶段的任务后，填写主观疲劳评价表和主观压力评价表；步骤S13：当评价表显示工人已经有疲劳趋向时，在下一个工作任务阶段开始标记疲劳；步骤S14：将产生的个人数据传送到处理终端形成个人个性化数据，在后续工作中，将处理的脑电信号对其参考。进一步地，所述步骤S20中，使用小波阈值法去除噪音时，在正负λ之间构造一个接近于0的函数，具体为：式中，表示经过小波阈值处理后的小波系数，wj,k是小波阈值处理前的小波系数，λ为滤波阈值，N为信号采样长度，δ为噪声的均方差。进一步地，所述步骤S30中，包括如下具体步骤：步骤S31：对时域特征进行计算：均值：均方根：过零点次数：Hjorth参数：活动性参数Activity：移动性参数Mobility：复杂性参数Complexity：式中，σa是离散序列的标准差，σb和σc分别是一阶导数标准差和二阶导数的标准差；步骤S32：在计算频域特征之前，先进行离散的haar小波包变换，记录对应的小波包系数集，选择与θ波、α波、β波频率范围相关的小波包系数进行重构，其中θ波频率为4-8Hz，幅度为5-20μV；α波频率为8-13Hz，幅度为20-100μV；β波频率为13-30Hz，幅度为100-150μV；将其细分为α1、α2和θ1、θ2波段进行特征提取，其中α1频率为8-11Hz、α2频率为11-13Hz和θ1频率为4-6Hz、θ2频率为6-8Hz；步骤S33：对频域特征进行计算：先计算相对功率谱：式中，ωα1表示α1频段的相对功率谱，Pα1表示α1频段的功率谱密度；ωα2表示α2频段的相对功率谱，Pα2表示α2频段的功率谱密度；ωθ1表示θ1频段的相对功率谱，Pθ1表示θ1频段的功率谱密度；ωθ2表示θ2频段的相对功率谱，Pθ2表示θ2频段的功率谱密度；ωβ表示β频段的相对功率谱，Pβ表示β频段的功率谱密度；根据相对功率谱构造频域指标：式中F1、F2和F3不同频段相对功率谱组合的比值；计算脑电信号整体的中值频率：式中，P(f)是功率谱密度函数；步骤S34：计算非线性域特征样本熵：原始数据集为{Xi}＝{X1，X2，…，Xn}，记总长度为N，设嵌入维数为m，相似容限为r，依据原始信号重构一个相似容限r和m维向量Xi＝[Xi，Xi+1，…，Xi+m-1]，定义xi与xj距离dij为两者对应元素差值绝对值的最大值，即dij＝d[xi,xj]＝max[|xi+k-xj+k|]，k∈(0,m-1)(19)对于每一个i，计算Xi与其余向量的距离dij，统计dij小于r的数目及此数目与距离总数N-m-1的比值，记作再求的平均值Bm(r),令维数m+1，重复上述步骤，得到Bm+1(r)；则得到样本熵：SampEn(m,r,N)＝ln(Bm(r))-ln(Bm+1(r))(20)式中，r是系数，取0.25，m是向量维数，取1。进一步地，所述步骤S40中，最大相关最小冗余算法具体为：假设生理电信号提取出的维数一共是k维，对k维特征进行归一化处理，特征表示为f1,f2,…,fk,对应值域为Xi；用z表示受试者不同状态，从两个角度将其按照疲劳等级和压力等级分级，值域Xj；特征与不同状态之间的互信息为：式中，q(xi,xj)表示特征fi取值为xi且状态z取值为xj的概率，q(xi)表示特征fi取值为xi的概率，q(xj)表示状态z取值为vj的概率；设S表示特征{fi}的集合，|S|＝m，为了选出m个最相关特征，则S应满足式中，D表示相关度，目标是选出m个平均互信息最大的集合S；考虑到特征之间可能存在冗余，要使得特征之间的冗余度最小，提出以下优化目标：所以最终的目标是求出拥有最大相关度和最小冗余度的特征集合S，对下式进行优化：maxΦ(D,R),Φ＝D-R(24)根据互信息判断特征与状态之间的关联度，以特征本文档来自技高网...

【技术保护点】
1.一种智能安全帽的压力、疲劳信息监测方法，其特征在于，包括如下步骤：/n步骤S10：通过智能安全帽对工人采集脑电信号；/n步骤S20：对采集的信号进行预处理，先去除基线漂移和工频干扰，再使用小波阈值法去除噪音；/n步骤S30：对预处理之后的信号在时域、频域和非线性域进行特征提取；其中时域特征为均值、均方根、过零点数和Hjorth参数；频域特征为频域指标和中值频率；非线性域特征为样本熵；/n步骤S40：采用最大相关最小冗余算法进行特征选择，分别对疲劳检测和压力检测相关特征进行选择与保留；/n步骤S50：通过BP神经网络分别对疲劳检测和压力检测进行识别与训练，将特征值设置为输入层的神经单元，构建疲劳等级F、压力等级P，并建立精神状态评估方程：/nS＝e

【技术特征摘要】
1.一种智能安全帽的压力、疲劳信息监测方法，其特征在于，包括如下步骤：
步骤S10：通过智能安全帽对工人采集脑电信号；
步骤S20：对采集的信号进行预处理，先去除基线漂移和工频干扰，再使用小波阈值法去除噪音；
步骤S30：对预处理之后的信号在时域、频域和非线性域进行特征提取；其中时域特征为均值、均方根、过零点数和Hjorth参数；频域特征为频域指标和中值频率；非线性域特征为样本熵；
步骤S40：采用最大相关最小冗余算法进行特征选择，分别对疲劳检测和压力检测相关特征进行选择与保留；
步骤S50：通过BP神经网络分别对疲劳检测和压力检测进行识别与训练，将特征值设置为输入层的神经单元，构建疲劳等级F、压力等级P，并建立精神状态评估方程：
S＝eF-1+P(1)
式中，S为精神状态指标；
步骤S60：对工人疲劳等级F、压力等级P和精神状态指标S进行综合评估，判断工人精神状态。


2.根据权利要求1所述的智能安全帽的压力、疲劳信息监测方法，其特征在于，所述步骤S10中，先对工人预采集正常、压力和疲劳的数据，具体为：
步骤S11：在工人非工作的平静状态下佩戴智能安全帽一段时间，同时采集脑电信号，将其作为自然状态下的脑电参考信号；
步骤S12：在工人进入工作状态后，将其标记为进入压力状态，同时持续采集脑电信号，并要求工人关注自身精神状态，在每完成一个阶段的任务后，填写主观疲劳评价表和主观压力评价表；
步骤S13：当评价表显示工人已经有疲劳趋向时，在下一个工作任务阶段开始标记疲劳；
步骤S14：将产生的个人数据传送到处理终端形成个人个性化数据，在后续工作中，将处理的脑电信号对其参考。


3.根据权利要求2所述的智能安全帽的压力、疲劳信息监测方法，其特征在于，所述步骤S20中，使用小波阈值法去除噪音时，在正负λ之间构造一个接近于0的函数，具体为：






式中，表示经过小波阈值处理后的小波系数，wj,k是小波阈值处理前的小波系数，λ为滤波阈值，N为信号采样长度，δ为噪声的均方差。


4.根据权利要求1所述的智能安全帽的压力、疲劳信息监测方法，其特征在于，所述步骤S30中，包括如下具体步骤：
步骤S31：对时域特征进行计算：
均值：
均方根：
过零点次数：Hjorth参数：
活动性参数Activity：
移动性参数Mobility：
复杂性参数Complexity：
式中，σa是离散序列的标准差，σb和σc分别是一阶导数标准差和二阶导数的标准差；
步骤S32：在计算频域特征之前，先进行离散的haar小波包变换，记录对应的小波包系数集，选择与θ波、α波、β波频率范围相关的小波包系数进行重构，其中θ波频率为4-8Hz，幅度为5-20μV；α波频率为8-13Hz，幅度为20-100μV；β波频率为13-30Hz，幅度为100-150μV；将其细分为α1、α2和θ1、θ2波段进行特征提取，其中α1频率为8-11Hz、α2频率为11-13Hz和θ1频率为4-6Hz、θ2频率为6-8Hz；
步骤S33：对频域特征进行计算：
先计算相对功率谱：















式中，ωα1表示α1频段的相对功率谱，Pα1表示α1频段的功率谱密度；ωα2表示α2频段的相对功率谱，Pα2表示α2频段的功率谱密度；ωθ1表示θ1频段的相对功率谱，Pθ1表示θ1频段的功率谱密度；ωθ2表示θ2频段的相对功率谱，Pθ2表示θ2频段的功率谱密度；ωβ表示β频段的相对功率谱，Pβ表示β频段的功率谱密度；
根据相对功率谱构造频域指标：









式中，F1、F2和F3为不同频段相对功率谱组合的比值；
计算脑电信号整体的中值频率：



式中，P(f)是功率谱密度函数；
步骤S34：计算非线性域特征样本熵：
原始数据集为{Xi}＝{X1,X2,…,Xn}，记总长度为N，设嵌入维数为m，相似容限为r，依据原始信号重构一个相似容限r和m维向量Xi＝[Xi,Xi+1,…...

【专利技术属性】
技术研发人员：孙志明，朱孟周，梁伟，黄浩声，尹康涌，李虎成，黄哲忱，姚楠，王静君，贾萌萌，张昱，朱睿，
申请(专利权)人：国网江苏省电力有限公司电力科学研究院，国网江苏省电力有限公司，江苏省电力试验研究院有限公司，
类型：发明
国别省市：江苏;32