一种基于脑电信号的人体疲劳检测方法及系统技术方案

本发明专利技术公开了一种基于脑电信号的人体疲劳检测方法及系统，属于数字信号处理技术领域，包括：获取含噪脑电信号并对其进行预处理得到干净脑电信号；对干净脑电信号进行小波包变换分解，得到节律波；计算节律波的能量，根据节律波能量计算能量比值；将能量比值输入预训练好的人工神经网络中，得到疲劳和非疲劳的概率，其中概率大的为检测结果；排除脑电信号中含有的干扰信息，提高对疲劳检测的准确率，实现可靠、准确的且不依赖于个体差异的人体疲劳检测。检测。检测。

【技术实现步骤摘要】
一种基于脑电信号的人体疲劳检测方法及系统


[0001]本专利技术涉及一种基于脑电信号的人体疲劳检测方法及系统，属于数字信号处理


技术介绍

[0002]长时期高强度单调的脑力劳动会使人产生精神疲劳，但是如果不及时调整和恢复的话，精神疲劳会降低工作和学习效率，甚至会威胁到人们的生命健康；目前检测检测人体疲劳的方法主要包括：人的行为特征，图像分析人体面部特征，人的生理指标，其中人的行为特征以及人的面部特征各个人体之间存在差异性，因此并不能准确识别是否疲劳，具有一定的欺骗性，人的生理指标目前作为研究疲劳的热点，真实可靠；脑电信号图可以直接反应大脑组织的电活动，用它来评价精神疲劳已成为精神疲劳检测研究的热点。
[0003]目前在国内外利用脑电波检测人体疲劳已经取得了一些有意义的成果；韩伟等人结合脑电信号的非线性特性，将多尺度熵结合支持向量机用于疲劳检测中；且现有技术存在检测准确率不够高、可靠性低、可扩展性不强等方面的问题。

技术实现思路

[0004]本专利技术的目的在于提供一种基于脑电信号的人体疲劳检测方法及系统，排除脑电信号中含有的干扰信息，提高对疲劳检测的准确率，实现可靠、准确的且不依赖于个体差异的人体疲劳检测。
[0005]为实现以上目的，本专利技术是采用下述技术方案实现的：
[0006]第一方面，本专利技术提供了一种基于脑电信号的人体疲劳检测方法，包括：
[0007]获取含噪脑电信号并对其进行预处理得到干净脑电信号；
[0008]对干净脑电信号进行小波包变换分解，得到节律波；
[0009]计算节律波的能量，根据节律波能量计算能量比值；
[0010]将能量比值输入预训练好的人工神经网络中，得到疲劳和非疲劳的概率，其中概率大的为检测结果。
[0011]结合第一方面，进一步的，获取含噪脑电信号并对其进行预处理得到干净脑电信号，包括利用小波变换对含噪脑电信号进行预处理的步骤：
[0012]利用小波函数对含噪脑电信号进行多尺度分解，得到一级小波分解结构；
[0013]通过被压缩细节向量和阈值向量对各尺度上的小波系数做阈值量化处理得到二级小波分解结构；
[0014]通过所述小波函数对二级小波分解结构进行逆变换得到干净脑电信号。
[0015]结合第一方面，进一步的，所述被压缩细节向量和阈值向量为预先设置的。
[0016]结合第一方面，进一步的，对干净脑电信号进行小波包变换分解，得到节律波，其中所述小波包变换分解的层数为六层。
[0017]结合第一方面，进一步的，计算节律波的能量的方法包括：
[0018]δ波能量为：
[0019]θ波能量为：
[0020]α波能量为：
[0021]β波能量为：
[0022]其中，x(δ)
n
(n＝1，2...，N)、x(θ)
n
(n＝1，2...，N)、x(α)
n
(n＝1，2...，N)和x(β)
n
(n＝1，2...，N)分别表示各节律波的幅值，N为采样点数。
[0023]结合第一方面，进一步的，根据节律波能量计算能量比值的方法包括：
[0024]R＝(E(α)+E(θ))/E(β)
[0025]其中，E(α)、E(θ)、E(β)分别是α波能量、θ波能量和β波能量。
[0026]第二方面，本专利技术还提供了一种基于脑电信号的人体疲劳检测系统，包括：
[0027]预处理模块：用于获取含噪脑电信号并对其进行预处理得到干净脑电信号；
[0028]小波包变换分解模块：用于对干净脑电信号进行小波包变换分解，得到节律波；
[0029]能量比值获取模块：用于计算节律波的能量，根据节律波能量计算能量比值；
[0030]检测模块：用于将能量比值输入预训练好的人工神经网络中，得到疲劳和非疲劳的概率，其中概率大的为检测结果。
[0031]与现有技术相比，本专利技术所达到的有益效果是：
[0032]本专利技术提供的一种基于脑电信号的人体疲劳检测方法及系统，对含噪脑电信号进行预处理得到干净脑电信号，排除脑电信号中含有的干扰信息，提高后续对疲劳检测的准确率；采用小波包对干净脑电信号进行变换分解，得到节律波，小波包相对于小波变换能够进一步细分高频信号，按照任意时频分辨率分解信号；根据节律波计算出节律波能量和能量比值，从而进一步输入训练好的人工神经网络中，实现对人体疲劳与否的检测，根据脑电信号节律特征将能量比值作为疲劳检测的输入，构建疲劳检测分类器，实现可靠、准确的且不依赖于个体差异的人体疲劳检测；
[0033]采用小波变换对含噪脑电信号进行预处理，小波变换是一种信号的时频分析，可以针对性的去处理一些局部噪声，效果较好，能够很好的将原始脑电信号提取出来，得到干净脑电信号。
附图说明
[0034]图1是本专利技术实施例提供的一种基于脑电信号的人体疲劳检测方法的流程图；
[0035]图2是本专利技术实施例提供的一种基于脑电信号的人体疲劳检测方法的测试结果图。
具体实施方式
[0036]下面结合附图对本专利技术作进一步描述，以下实施例仅用于更加清楚地说明本专利技术
的技术方案，而不能以此来限制本专利技术的保护范围。
[0037]实施例1
[0038]如图1所示，本专利技术实施例提供的一种基于脑电信号的人体疲劳检测方法，包括如下步骤：
[0039]S1、获取含噪脑电信号并对其进行预处理得到干净脑电信号。
[0040]在本实施例中，首先获取60组数据(含噪脑电信号)作为训练样本，获取20组组数据(含噪脑电信号)作为测试样本。
[0041]利用小波变换对获取到的含噪脑电信号进行预处理：
[0042]利用小波函数对含噪脑电信号进行多尺度分解，得到一级小波分解结构[C,L]；
[0043]通过自定义的被压缩细节向量M和阈值向量P对各个尺度上的小波系数做阈值量化处理得到二级小波分解结构[MC,L]；
[0044]通过同样的小波函数对二级小波分解结构进行逆变换(重构信号)得到干净脑电信号。
[0045]在本实施例中选取d5小波函数对含噪脑电信号进行3层分解，对高频系数进行阈值处理，最后使用d5小波函数进行信号重构，得到干净脑电信号。
[0046]S2、对干净脑电信号进行小波包变换分解，得到节律波。
[0047]对去噪后的干净脑电信号通过小波包变换分解进行特征提取，提取出四种节律波，分别是δ波、θ波、α波和β波；δ波是在人体极度疲劳或者深睡的时候出现，θ波是在人受到挫折或者精神抑郁的时候出现，α波是在人清净状态或者集中思考的时候出现，β波是在人精神紧张、情绪激动或者亢奋的时候出现。
[0048]S3、计算节律波的能量，根据节律波能量计算能量比值。
[0049]根据脑电波的采样频率和脑电波的频率划分，将小波包的分解层数定为六层，并将小波包分解的系数作为特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于脑电信号的人体疲劳检测方法，其特征在于，包括：获取含噪脑电信号并对其进行预处理得到干净脑电信号；对干净脑电信号进行小波包变换分解，得到节律波；计算节律波的能量，根据节律波能量计算能量比值；将能量比值输入预训练好的人工神经网络中，得到疲劳和非疲劳的概率，其中概率大的为检测结果。2.根据权利要求1所述的一种基于脑电信号的人体疲劳检测方法，其特征在于，获取含噪脑电信号并对其进行预处理得到干净脑电信号，包括利用小波变换对含噪脑电信号进行预处理的步骤：利用小波函数对含噪脑电信号进行多尺度分解，得到一级小波分解结构；通过被压缩细节向量和阈值向量对各尺度上的小波系数做阈值量化处理得到二级小波分解结构；通过所述小波函数对二级小波分解结构进行逆变换得到干净脑电信号。3.根据权利要求2所述的一种基于脑电信号的人体疲劳检测方法，其特征在于，所述被压缩细节向量和阈值向量为预先设置的。4.根据权利要求1所述的一种基于脑电信号的人体疲劳检测方法，其特征在于，对干净脑电信号进行小波包变换分解，得到节律波，其中所述小波包变换分解的层数为六层。5.根据权利要求1所述的一种基于脑电信号的人体疲劳检测方法...

【专利技术属性】
技术研发人员：曾佳根，张宇杭，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：