基于图神经网络的头戴式脑体作业能力评估设备及方法技术

本发明专利技术公开了基于图神经网络的头戴式脑体作业能力评估设备及方法，属于人体信号获取及处理领域，包括用于采集多种生理数据的采集模块、与采集模块相连的ADC转换模块和与ADC转换模块相连的主控模块以及电源模块，主控模块上搭载有用于输入多种生理数据后输出评估结果的卷积图神经网络模型，卷积图神经网络模型以GCN网络和Metalearning为框架。本发明专利技术采用上述基于图神经网络的头戴式脑体作业能力评估设备及方法，可对被测者的多个生理指标进行精准的检测，然后依靠卷积图神经网络对数据处理得出被测者的评估结果，提高检测的准确度和可靠性。可靠性。可靠性。

【技术实现步骤摘要】
基于图神经网络的头戴式脑体作业能力评估设备及方法


[0001]本专利技术涉及人体信号获取及处理
，尤其涉及基于图神经网络的头戴式脑体作业能力评估设备及方法。

技术介绍

[0002]从事高危行业的工作人员在经过一段时间的工作后，需要对其注意力水平和专业能力执行状况进行评估，判断其是否适合继续工作，保证人员和工程的安全稳定。在该领域现在普遍采用的方法是主观自我评价和心率呼吸等方法综合判定，具有数据比较主观，科学性差的问题。
[0003]而部分采用监测仪器的例如：CN201510650413.9 公开了便携式人体信号监测装置与人体信号监测方法，其包括：主监测组件和从监测组件。主监测组件包括第一监测电极、用于采集第一监测电极的监测信号的第一电极连接部、信号处理电路板以及用于向信号处理电路板供电的第一电源部件，其中第一电极连接部连接于信号处理电路板；从监测组件包括第二监测电极、用于采集第二监测电极的监测信号的第二电极连接部、第二电源部件；连接线缆用于连接主监测组件和从监测组件，以连通第一电源部件和第二电源部件，以及第二监测电极和信号处理电路板，信号处理电路板对第一监测电极的监测信号和对第二监测电极的监测信号进行处理和/或传输，从而持续进行人体信号监测。
[0004]CN200980158116.5 公开了使用光学信号判断人体状态与动作的系统以及判断人体状态的方法，其包括光学信号发送模块，被配置以产生并输出光学信号；光学信号传输模块，其可贴附至人体的一区域上并包括包含至少一切口部分的光学信号传输路径；以及人体状态分析模块，被配置以通过基于在至少一光学信号传输路径的至少一切口部分的间隙计算至少一光学信号传输路径上变化的光学传输率，判断人体状态的变化。在此，在至少一光学传输路径的至少一切口部分的间隙可依据人体区域的周围的变化而变化。
[0005]可知，现有技术存在以下缺点：1、未考虑多个指标间的关联关系、无法发觉潜在信息，评估精度较差；2、只是通过几个指标简单的评估，没有对工作人员的真实状况做进一步的信息采集和处理，指导意义较小。

技术实现思路

[0006]为解决上述问题，本专利技术提供一种基于图神经网络的头戴式脑体作业能力评估设备及方法，可对被测者的多个生理指标进行精准的检测，然后依靠卷积图神经网络对数据处理得出被测者的评估结果，提高检测的准确度和可靠性。
[0007]为实现上述目的，本专利技术提供了基于图神经网络的头戴式脑体作业能力评估设备，包括用于采集多种生理数据的采集模块、与采集模块相连的ADC转换模块和与ADC转换模块相连的主控模块以及电源模块，主控模块上搭载有用于输入多种生理数据后输出评估结果的卷积图神经网络模型，卷积图神经网络模型以GCN网络和Metalearning为框架。
[0008]优选的，ADC转换模块包括依次连接的差分放大器、积分放大器和数字滤波器；差分放大器，用于对由采集模块采集的电压信号进行一级放大；积分放大器，用于通过改变积分时间，实现250SPS到16KSPS的分段式采样率；数字滤波器，用于对特定频率滤波后输出最终AD转换结果。
[0009]优选的，主控模块采用ARM Cortex
‑
M4F 32位架构微处理器，搭配RTOS操作系统；主控模块上还集成有蓝牙通信接口、WiFi通信接口和4G无线通信接口，主控模块与上位机相通讯。
[0010]优选的，采集模块包括用于提取δ波、θ波、α波、β波和γ波五种脑电成分的五通道电极；生理数据包括人体心率、血氧、心率变异性和脑电特征。
[0011]优选的，采集模块还包括集成有660nm和880nm双波段的生物光学传感器，用于采集双波段PPG数据。
[0012]优选的，电源模块包括依次连接的电源、充放电管理模块和稳压输出模块，电源还与电源保护模块相连；电源采用锂电池，用于提供3.7V电压；充放电管理模块，用于锂电池正反接保护、充电状态的指示；稳压输出模块，用于将锂电池提供的3.7V电压转换成3.3V电压供给主控模块。
[0013]基于图神经网络的头戴式脑体作业能力评估设备的方法，包括以下步骤：S1、通过采集模块采集人体的多种生理数据并经ADC转换模块后输入主控模块；S2、对生理数据构建图结构数据包；S3、将构建的图结构数据包输入卷积图神经网络模型处理后得到脑体作业分类评估结果。
[0014]优选的，步骤S2具体包括以下步骤：S21、利用五通道电极提取δ波、θ波、α波、β波和γ波五种脑电成分；S22、采用主成分分析和独立成分分析抑制运动噪声；S23、对五种脑电成分信号和生物光学传感器采集的PPG数据进行时域、频域分析，采用Morlet小波变换进行特征提取，获取低频到高频多特征数据，生成数据向量；S24、根据步骤S23所述的数据向量构建图结构数据包。
[0015]步骤S22所述的主成分分析算法包括以下步骤：第一步、数据预处理：去除生理数据中的直流分量，并进行标准化；第二步、协方差矩阵：对脑电成分信号数据和PPG数据构建协方差矩阵，以描述不同信号的相关性：假设有m个样本和n个特征，将预处理后的数据表示为一个m
×
n的脑电数据矩阵X，计算协方差矩阵C：；式中，表示X的转置；第三步、特征值分解：对协方差矩阵进行特征值分解和特征向量，构成主成分矩阵V；
第四步、对不同信号选取对应维度N进行重建，重建信号：；步骤 S22 所述的独立成分分析算法包括以下步骤：第一步、构建混合模型：将预处理后的脑电成分信号表示为线性组合的形式：；式中，是观测信号矩阵，其大小为 H
×
T，H 表示通道数，T表示时间点数；是混合矩阵，其大小为 H
×
M，M 表示源信号的数量；是源信号矩阵，其大小为 M
×
T；第二步、ICA求解：对混合模型进行独立成分分析，得到分离矩阵 和分离信号矩阵 ：；其中，分离矩阵的大小为H
×
N；分离信号矩阵的大小为M
×
T；第三步、成分选择：确定脑电信号和噪声成分；第四步、噪声去除：将被确定为噪声的成分从分离信号矩阵中去除，得到修复后的信号矩阵：；式中，是去除噪声成分后的分离矩阵，其大小为，表示剩余的脑电信号成分数量；第五步、重构信号：将修复后的信号矩阵 进行逆变换，得到重构的脑电信号矩阵：；式中，是重构的脑电信号矩阵，其大小为 。
[0016]优选的，步骤S3具体包括以下步骤：S31、利用公开数据集对卷积图神经网络模型预训练，以个人的脑体作业能力分类为网络模型的任务，实现对脑体作业能力的评分训练；S32、将由步骤S2获得的图结构数据包输入训练完毕的卷积图神经网络模型中，输出脑体作业分类评估结果。
[0017]本专利技术具有以下有益效果：1、通过使用头戴式设备评估高危作业人群工作状态的方法，能实时、高效并且准确的给出被测者的状态结果；2、通过使用卷积图神经网络对头戴式设备采集的数据进行多模态处理，能够挖掘多个指标数据间的关联关系，并得出最后的被测者的状态，从而提高检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图神经网络的头戴式脑体作业能力评估设备，其特征在于：包括用于采集多种生理数据的采集模块、与采集模块相连的ADC转换模块和与ADC转换模块相连的主控模块以及电源模块，主控模块上搭载有用于输入多种生理数据后输出评估结果的卷积图神经网络模型，卷积图神经网络模型以GCN网络和Metalearning为框架。2.根据权利要求1所述的基于图神经网络的头戴式脑体作业能力评估设备，其特征在于：ADC转换模块包括依次连接的差分放大器、积分放大器和数字滤波器；差分放大器，用于对由采集模块采集的电压信号进行一级放大；积分放大器，用于通过改变积分时间，实现250SPS到16KSPS的分段式采样率；数字滤波器，用于对特定频率滤波后输出最终AD转换结果。3.根据权利要求1所述的基于图神经网络的头戴式脑体作业能力评估设备，其特征在于：主控模块采用ARM Cortex
‑
M4F 32位架构微处理器，搭配RTOS操作系统；主控模块上还集成有蓝牙通信接口、WiFi通信接口和4G无线通信接口，主控模块与上位机相通讯。4.根据权利要求1所述的基于图神经网络的头戴式脑体作业能力评估设备，其特征在于：采集模块包括用于提取δ波、θ波、α波、β波和γ波五种脑电成分的五通道电极；生理数据包括人体心率、血氧、心率变异性和脑电特征。5.根据权利要求4所述的基于图神经网络的头戴式脑体作业能力评估设备，其特征在于：采集模块还包括集成有660nm和880nm双波段的生物光学传感器，用于采集双波段PPG数据。6.根据权利要求1所述的基于图神经网络的头戴式脑体作业能力评估设备，其特征在于：电源模块包括依次连接的电源、充放电管理模块和稳压输出模块，电源还与电源保护模块相连；电源采用锂电池，用于提供3.7V电压；充放电管理模块，用于锂电池正反接保护、充电状态的指示；稳压输出模块，用于将锂电池提供的3.7V电压转换成3.3V电压供给主控模块。7.如上述权利要求1
‑
6任一项所述的基于图神经网络的头戴式脑体作业能力评估设备的方法，其特征在于：包括以下步骤：S1、通过采集模块采集人体的多种生理数据并经ADC转换模块后输入主控模块；S2、对生理数据构建图结构数据包；S3、将构建的图结构数据包输入卷积图神经网络模型处理后得到脑体作业分类评估结果。8.根据权利要求7所述的基于图神经网络的头戴式脑体作业能力评估设备的方法，其特征在于：步骤S2具体包括以下步骤：S21、利用五通道电极...

【专利技术属性】
技术研发人员：刘一村，卢一，李俊杰，刘钟泽，潘小涛，
申请(专利权)人：北京九叁有方物联网科技有限公司，
类型：发明
国别省市：