【技术实现步骤摘要】
基于40导联脑电采集设备的人脑疲劳状态自主辨识系统
[0001]本专利技术涉及一种脑部疲劳状态辨识设备。特别是涉及一种基于40导联脑电采集设备的人脑疲劳状态自主辨识系统。
技术介绍
[0002]EEG脑电图作为一种记录脑电活动的生理监测方法，它通过布置在大脑皮层附近的电极源源不断地收集大脑的电位变化。近年来数字化技术的发展，为脑电信号的收集与分析创造了极大的便利，信号的时间分辨率可以被精确到毫秒级甚至更高。作为对比，除脑电图之外，无创认知神经科学技术中仅有头颅磁共振波谱(MRS)和脑磁图(MEG)能够获取处于这个采样率的数据。此外，由于EEG不会带来噪音，因此EEG可以更加准确的反应人脑对于声音的刺激。
[0003]疲劳(困倦)作为脑部的一种常见状态，在人类的生活中无处不在，但是当疲劳这种状态出现在实际生产活动中时，往往会带来极大的危害。疲劳带来的脑部活动减弱，反应能力下降，反应时间延长等一系列变化将会导致操作者无法像正常状态下一样及时，正确的做出判断与行动。具体到驾驶，生产操作，研究学习等情境下，疲劳带来的影响会使...
【技术保护点】
【技术特征摘要】
1.一种基于40导联脑电采集设备的人脑疲劳状态自主辨识系统，其特征在于，包括：依次串接的模拟驾驶系统(1)、40导联脑电采集设备(2)、生理状态学习模块(3)和训练好的最佳机器学习模型(4)，所述的最佳机器学习模型(4)还连接所述40导联脑电采集设备(2)的输出，其中，所述生理状态学习模块(3)和训练好的最佳机器学习模型(4)一同安装于40导联脑电采集设备(2)中的上位机PC；被试者借助模拟驾驶系统(1)进入不同疲劳程度的大脑状态，所述的40导联脑电采集设备(2)采集被试者不同疲劳程度的脑电信号并送入生理状态学习模块(3)，所述的生理状态学习模块(3)接收所述的脑电信号，结合自动机器学习技术，构建并训练用于智能识别当前被试者的脑部疲劳状态的机器学习模型，生成训练好的最佳机器学习模型(4)；40导联脑电采集设备(2)采集使用者正常驾驶状态下的脑电信号并送入训练好的最佳机器学习模型(4)，经训练好的最佳机器学习模型(4)辨识，输出使用者正常驾驶状态下的脑部疲劳状态的信息。2.根据权利要求1所述的基于40导联脑电采集设备的人脑疲劳状态自主辨识系统，其特征在于，所述的模拟驾驶系统(1)包括有：分别连接所述40导联脑电采集设备(2)中的上位机PC的驾驶硬件系统(11)、模拟驾驶软件(12)、驾驶场景显示屏幕(13)、摄像头(14)和音响(15)；其中，(1)驾驶硬件系统(11)由用于模拟真实驾车环境的方向盘、排档器以及脚踏板组成；(2)模拟驾驶软件(12)包括：(2.1)界面模拟了两车道高速公路上的白天驾驶，要求被试者将汽车巡航在车道的中央。该过程模拟非理想路面的情况，即导致汽车以相同的概率向车道的右侧或左侧偏离，每个车道偏离事件都包括基线期、偏移开始、响应开始和事件结束四个标志；(2.2)基线期，是偏移发生前的正常驾驶阶段；偏移开始，是模拟驾驶软件(12)随机引发车道偏离事件，使汽车从原始巡航车道向左侧或右侧偏离；响应开始，是要求被试者通过操纵方向盘迅速回复这种干扰带来的影响；事件结束，是汽车移回原始巡航道；(2.3)从汽车出现偏移到被试者调整汽车姿态恢复稳定的过程中，由40导联脑电采集设备(2)同步记录脑电信号，并由上位机PC进行存储；下一次事件在完成当前事件后的5
‑
10秒间隔内发生，在该间隔内，被试者必须将汽车调回车道的中心线，如果被试者在数据收集过程中入睡，则不会提供任何反馈来提醒被试者。3.根据权利要求1所述的基于40导联脑电采集设备的人脑疲劳状态自主辨识系统，其特征在于，所述的40导联脑电采集设备(2)包括：(1)依次连接的用于采集EEG脑电信号的脑电极帽及其转接线(21)、用于脑电信号放大和转换的EEG脑电信号采集电路(22)、用于对模拟信号与数字信号进行区分隔离，保证EEG脑电信号纯净的隔离电路(23)，用于控制EEG脑电信号采集电路(22)的采集模式、参数以及工作状态并对EEG脑电信号采集电路(22)采集的EEG脑电信号进行读取与传输的STM32处理器(24)、用于将EEG脑电信号传输至上位机PC(27)的USB通信电路(25)，以及分别为EEG脑电信号采集电路(22)和STM32处理器(24)供电的电源电路(26)；其中，所述的脑电极帽及其转接线(21)中的脑电极帽采集被试者或使用者不同脑区的EEG脑电信号，依次通过转接线和Y2系列圆形电连接器接口与所述的EEG脑电信号采集电路(22)相连接，用于EEG脑电信号的采集和传输；(2)所述的脑电极帽及其转接线(21)获取被试者或使用者对应于脑电极帽的FP1,FP2,
AF7,AF3,AFz,AF4,AF8,F3,F7,Fz,F4,F8,FT7,FC3,FCz,FC4,FT8,T7,C3,Cz,C4,T8,TP7,CP3,CPZ,CP4,TP8,P7,P3,Pz,P4,P8,PO7,PO3,POz,PO4,PO8,O1,O2,Oz,共四十个电极的EEG脑电信号；脑电极帽的电极分布符合10/20国际标准导联；(3)所述的EEG脑电信号采集电路(22)是由数片型号为ADS1299的EEG脑电信号采集芯片并行构成，每一片EEG脑电信号采集芯片都集成了用于接收脑电极帽采集的EEG脑电信号的高共模抑制比模拟输入模块、用于进行生物电压信号放大的低噪声可编程增益放大器和用于将模拟信号转换为数字信号的高分辨率同步采样模数转换器；(4)所述的STM32处理器(24)还控制USB通信电路(25)的传输模式与传输速度；(5)所述的USB通信电路(25)的输出分别连接所述生理状态学习模块(3)和最佳机器学习模型(4)的输入端，实现与上位机PC(27)的通信，在HID设备的工程基础上设置为高速传输设备，最高传输速率480Mbps。4.根据权利要求1所述的基于40导联脑电采集设备的人脑疲劳状态自主辨识系统，其特征在于，所述生理状态学习模块(3)是采用自动机器学习分析方法，根据所述的模拟驾驶系统(1)以及40导联脑电采集设备(2)所诱发、采集的EEG脑电信号进行对当前被试者大脑状态特征的全自动提取，构建最佳的机器学习模型结构与模型参数，获取最优的大脑状态辨识效果，得到初始训练好的最佳机器学习模型，再直接使用自动机器学习分析方法搜索得到的结果，训练初始训练好的最佳机器学习模型，最后得到训练好的最佳机器学习模型(4)对使用者大脑状态进行判别。所述的自动机器学习分析方法包括依次进行的预处理过程和特征提取过程，以及利用特征提取的数据进行搜索。5.根据权利要求4所述的基于40导联脑电采集设备的人脑疲劳状态自主辨识系统，其特征在于，所述的自动机器学习分析方法中的预处理过程包括如下步骤：1)首先对上位机PC端(27)所存储的被试者EEG脑电信号进行预处理，将采样频率从1000Hz降采样到250Hz以降低数据量规模提升分析效率；然后调用Matlab中的EEGLab工具箱的带通滤波器将0.2
‑
50Hz的信号数据保留，去除其他频段信号以减少噪声；利用独立分量分析来消除EEG脑电信号中的闪烁伪迹和眼电信号干扰；2)将模拟驾驶系统(1)获得的被试者驾车偏移开始前3s EEG脑电信号作为本次偏移前被试者脑部状态的判断依据，提取本次偏移开始到被试者回应偏移的反应时间作为评判疲劳状态指标，判断被试者脑部疲劳状态，具体如下：(2.1)将提取得到的当前偏离事件中的反应时间，称作局部反应时间，代表了被试者的短期疲劳状态；(2.2)获取当前事件发生前90s内的被试者所有偏离事件的平均反应时间，并称为全局反应时间，代表了被试者的长期疲劳状态；(2.3)将在整个90分钟的实验中所获取的全部局部反应时间由小到大进行排序，求取其中第5％小的局部反应时间，作为本次被试者特有的警戒时间，表示被试者处于清醒状态下所应具有的反应速度；(2.4)当一次偏移事件中的局部反应时间和全局反应时间均小于1.5倍的警戒时间时，认为当前被试者处于清醒状态；当一次偏移事件中的局部反应时间和全局反应时间均大于2.5倍的警戒时间时，认为当...
【专利技术属性】
技术研发人员：高忠科，王贺，马超，马文庆，
申请(专利权)人：天津富瑞隆金属制品有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。