依据脑电信号判定疲劳状态的方法技术

一种依据脑电信号判定疲劳状态的方法，采用导脑波仪进行脑电信号实时采集，使用数个导脑电仪，连接电极，进行脑电信号实时采集；包括：运行ＰＣ机与脑波仪接口程序；利用ＶＣ＋＋编写Ｗｉｎｄｏｗｓ平台下与脑电图仪可视化接口程序，实现数据的同步采集，并显示实时采集的脑电图波形；对采集到的数据进行预处理；采用ＦＩＲ滤波器对数据进行０－３０Ｈｚ低通滤波，以去除工频噪声以及外部干扰；采用盲源分离方法对经过滤波的脑波进行分解，获得混合信号的各个成分，包含有眼电图、左右脑脑电图；对所得到的左右脑脑电图进行快速傅里叶变换，从时域信号转换到频域信号；求出脑电图波中α、β、θ、δ波的能量；对多层感知器ＢＰ神经网络进行分类。具有直接、快速的特点。

【技术实现步骤摘要】

本专利技术涉及脑机接口 (brain-computer interface, BCI)装置中脑波a 、 p、 6、 5分量 能量的提取方法，特别涉及一种独立分量分析方法与BP神经网络相结合的特征提取及分 类方法。
技术介绍
脑机接口 (BCI)是在人或动物脑(或者脑细胞的培养物)与外部设备间建立的直接连 接通路。在单向脑机接口的情况下，计算机或者接受脑传来的命令，或者发送信号到脑(例 如视频重建)，但不能同时发送和接收信号。而双向脑机接口允许脑和外部设备间的双向信 息交换。脑机接口又分为侵入式脑机接口 、部分侵入式脑机接口以及非侵入式脑机接口 。侵入式脑机接口主要用于重建特殊感觉(例如视觉)以及瘫痪病人的运动功能。此类 脑机接口通常直接植入到大脑的灰质，因而所获取的神经信号的质量比较高。但其缺点是 容易引发免疫反应和愈伤组织(疤)，进而导致信号质量的衰退甚至消失。部分侵入式脑机接口一般植入到颅腔内，但是位于灰质外。其空间分辨率不如侵入式 脑机接口，但是优于非侵入式脑机接口。其另一优点是引发免疫反应和愈伤组织的几率较 小。皮层脑电图(ECoG)的技术基础和脑电图的相似，但是其电极直接植入到大脑皮层 上，硬脑膜下的区域。非侵入式脑机接口是通过贴在头皮表面上的电极记录脑电信号(Electroencephalogram, EEG)。虽然这种非侵入式的装置方便佩戴于人体，但是由于颅骨对信号的衰减作用和对 神经元发出的电磁波的分散和模糊效应，记录到信号的分辨率并不高。 一般来说，EEG脑 电信号具有以下几个特点(1)幅度微弱，但背景噪声信号强。EEG信号虽然可被检测到，但很难确定发出信号 的脑区或者相关的单个神经元的放电。而且在头皮上出现的脑电位波动的波幅很低， 一般在50iiV左右，最大100uV。需要放大100万倍才能记录到，很容易受到心电(ECG)、肌 电(EMG)、眼点(EOG)、出汗以及外界环境等干扰的影响。(2) 非平稳性和随机性强。对于脑电信号的产生机理及其规律至今仍没有明确的认识。 很多初步的规律只能从统计学角度进行分析。影响脑电信号的因素众多，并且由于脑的活 动十分活跃且十分容易受到周围环境甚至受试者自身思想变化的影响，这使得脑电信号表 现出很强的非平稳性。研究表明，脑电信号的长度从ls增加至10s，其平稳性由90%降至 10%,因此非平稳性信号分析方法在脑电信号处理中具有重要意义。(3) 非线性。生物组织的自我调节和适应机制使得生理电信号具有非线性的特点。由 于传统的信号处理技术基本上是建立在线性系统理论的分析基础之上。如何处理非线性信 号带来的误差，也是脑电信号处理中必须要注意的问题。(4) 脑电信号的频域特征比较突出。因此基于谱的频域分析信号处理方法在脑电信号 分析方法中占有更重要的地位。(5) 多导信号。 一般脑电信号都是釆用多导电极测量得到的，各导联信号之间有着一 定的交互信息，如何有效的利用这些隐含在多导脑电信号之间的重要特征是建立和评价脑 电信号处理方法的一个重要标准。目前，已经有多种脑电信号处理方法，根据出发角度的不同，大致可以分为以下几类-(1) 时域分析方法。早期的脑电信号大多采用时域分析方法，通过对脑电信号时域波 形的分析来获得一些时域特征，如方差分析、相关分析、峰值检测、过零检测等。(2) 频域分析方法。主要指功率谱分析方法，通过对脑电信号进行功率谱分析，来获 取脑电信号的频域特征。如经典谱估计(周期图)、现代谱估计(参数模型估计)等。(3) 时频分析方法。以小波变换为主要代表的新的信号分析方法。在非平稳信号分析 领域中占有重要地位。由于脑电信号的非平稳性很强，小波变换等时频分析方法在脑电信 号处理领域受到了广泛的重视。(4) 非线性分析方法。从非线性运动力学角度，提取脑电信号的非线性动力学参数。 如复杂度分析、关联维数、Lorenz散点图、Kolmogorov熵、李雅谱诺夫指数等。(5) 多维统计分析方法。由于多维统计分析方法的特点是能同时处理多导脑电信号， 因此更有利于揭示脑电信号中的隐含特征，并且在脑电消噪以及特征提取等方面具有独特 的效果。如主成分分析(Principal Component Analysis, PCA)、独立成分分析(IndependentComponent Analysis, ICA)、因子分析(Factor Analysis),共同空间滤波方法(Common Special Pattern, CSP)等。其中独立分量分析(ICA)方法的基本理论是在近代高阶统计分析理论和信息理论基 础上建立起的。其目标函数是建立与高阶累积量、信息极大传输理论、中心极限定理、最 大似然估计、互信息理论、最大熵定理等有着密切的关系。ICA是解决盲源信号分离的一 种有效的方法。因此，亟待开发出一种，以改变目前的判定疲劳状 态的方法所存在的引发免疫反应和愈伤组织、记录到信号的分辨率不高、信号不稳定以及 抗干扰能力差的问题，使其具有直接、稳定、快速的特点。
技术实现思路
本专利技术的目的在于，通过提供一种能获得左右脑EEG脑波的方法，并对其中a、 e、 0、 S波的活跃程度进行判别，进而准确判断疲劳的程度。 本专利技术是采用以下技术方案实现的信号采集设备采用16导脑电图仪，电极的放置釆用国际10-20标准，釆样频率为lKHz。 脑电信号通过放大、A/D转换之后，将脑电信号的电压幅值经由USB串行口输入电脑。采 用独立分量分析方法对采集到的数据进行盲源分类，提取相应的特征信号，再使用BP神经 网络对相应的信号进行分类识别，通过自学习调整参数，并最后输出判定结果。该方法具体步骤如下1. 采用16导脑波仪进行脑电信号实时采集。使用16导脑电仪，按图2方式进行连接18个电极，进行脑电信号实时采集。2. 设计PC机与脑波仪接口程序。利用￥0++编写\￥^0 3平台下与脑电图仪可视化接口程序，实现数据的同步采集。并 可显示实时采集的脑电图波形。程序采用MFC单文档应用程序框架构建，该应用程序拥有文档窗口、程序边框、标题 栏、菜单栏、工具栏、状态栏等一般应用程序所有的基本元素。3. 对采集到的数据进行预处理。由于所关心的信号主要出现低频段，因此设计了512采样点，48阶的FIR滤波器对数据 进行0-35Hz低通滤波，以去除工频噪声以及外部干扰。4. 采用ICA方法对经过滤波的脑波进行分解。ICA，全称Independent Component Analysis,是一种基于独立性的盲源分离方法。EEG 数据是由一组放置在头皮的多处不同位置的电极记录的电位组成，而这些电位则可认为是 由大脑活动产生的电信号以及某些肌肉活动产生的电信号混合产生的。利用ICA方法，可 以获得这些混合信号的各个成分。其中包含有眼电图(EOG)、左右脑脑电图(EEG)。5. 对所得到的左右脑脑电图EEGL， EEGR进行快速傅里叶变换(FFT)。从时域信号转 换到频域信号。即离散时间序列转化为离散频域序列X(n)—X(k)。6. 求出EEG波中a、 e、 0、 S波的能量。其中a波频带为8-13Hz，当a波为优势脑波时，人的意识清醒，但是身体却是放松的。 在这种状态下，身心耗费的能量都比较少，相对的脑部获得本文档来自技高网...

【技术保护点】
一种依据脑电信号判定疲劳状态的方法，采用导脑波仪进行脑电信号实时采集，使用数个导脑电仪，连接电极，进行脑电信号实时采集；其特征在于：包括以下步骤：　１．１．运行ＰＣ机与脑波仪接口程序；　利用ＶＣ＋＋编写Ｗｉｎｄｏｗｓ平台下与脑电 图仪可视化接口程序，实现数据的同步采集，并显示实时采集的脑电图波形；　１．２．对采集到的数据进行预处理；　采用ＦＩＲ滤波器对数据进行０－３０Ｈｚ低通滤波，以去除工频噪声以及外部干扰；　１．３采用盲源分离方法对经过滤波的脑波 进行分解，获得混合信号的各个成分，包含有眼电图、左右脑脑电图；　１．４．对所得到的左右脑脑电图进行快速傅里叶变换，从时域信号转换到频域信号；　１．５．求出脑电图波中α、β、θ、δ波的能量；　其中α波频带为脑部获得的能量较多 的８－１３Ｈｚ；　β波频带为大脑呈现一种紧张状态的１３－３０Ｈｚ；　θ波频带为人的意识模糊的４－８Ｈｚ；　δ波频带为深度睡眠、无意识状态的２－４Ｈｚ；　１．６．对多层感知器ＢＰ神经网络进行分类；所述的ＢＰ神经网络包括 ：输入层、隐层、输出层；ＢＰ网络同时具有反馈和前馈机制，在网络的一个训练周期中，网络的输出同时反馈给网络的输入神经元作为网络的外部输入。...

【技术特征摘要】

【专利技术属性】
技术研发人员：李明爱，张诚，张方堃，杨金福，贾松敏，左国玉，孙亮，于建均，龚道雄，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：11[中国|北京]