一种基于多域残差神经网络的脑电意识疲劳监测方法技术

本发明专利技术涉及脑电与深度学习结合开发技术领域，具体公开了一种基于多域残差神经网络的脑电意识疲劳监测方法，步骤如下：S1、采集个体的脑电图，并提取BIS值中数据；S2、构建残差神经网络BIS预测模型；S3、将步骤S1获得的BIS值中数据输入到步骤S2构建的残差神经网络BIS预测模型中，并输出结果；将输出的时域残差子网络和频域残差子网络的结果通过concatenate函数融合，然后在全连接层通过dense函数将融合数据输出一个数值，保留了脑电信号的时域和频域特征，提高了脑电识别的性能，生成的数据有效提高了BIS识别精度，有效监测人脑的疲劳状态。

【技术实现步骤摘要】

本专利技术涉及脑电与深度学习结合开发，尤其涉及一种基于多域残差神经网络的脑电意识疲劳监测方法。

技术介绍

1、目前，疲劳是造成海上人为交通事故的主要影响因素，由此，船员的疲劳问题受到广泛重视。在疲劳对大脑影响的研究中，发现脑电图可以反映大脑活动，通过人体的脑电图与计算机之间的通信成为提取信息的重要方法。

2、现有技术中，脑电分类方法一般通过短间隔傅立叶变换(stft)将原始信号转换为时频图，然后将两个通道的图像组合作为输入来训练神经网络。虽然eeg信号的频率特征可以将信号转换为时频图像，但时频图像的二维信息会失去eeg信号在时间和空间上的特征，仅能提取脑电的频域特征，忽略了脑电的时域特征。

3、另外，研究指出，脑电信息处理得到的脑电图双频指数(bis)可以反映活动状态下镇静度，其数值不受肌肉放松、肌电图等活动水平的影响，可以对意识水平进行客观、连续的监测。虽然近年来，深度学习技术应用越来越广泛，但仍缺少基于脑电活动状态bis监测的神经网络模型和训练方法。

技术实现思路

<p>1、本专利技术的本文档来自技高网...

【技术保护点】

1.一种基于多域残差神经网络的脑电意识疲劳监测方法，其特征在于，步骤如下：

2.根据权利要求1所述的一种基于多域残差神经网络的脑电意识疲劳监测方法，其特征在于：步骤S1中，提取的BIS值数据包括时域数据和频域数据，时域数据为一维图像的波形点，频域数据为二维图像的像素点。

3.根据权利要求2所述的一种基于多域残差神经网络的脑电意识疲劳监测方法，其特征在于：步骤S2中，残差神经网络BIS预测模型包括时域残差子网络、频域残差子网络和全连接层；

4.根据权利要求3所述的一种基于多域残差神经网络的脑电意识疲劳监测方法，其特征在于：时域残差网络层包括五层，并分别为...

【技术特征摘要】

1.一种基于多域残差神经网络的脑电意识疲劳监测方法，其特征在于，步骤如下：

2.根据权利要求1所述的一种基于多域残差神经网络的脑电意识疲劳监测方法，其特征在于：步骤s1中，提取的bis值数据包括时域数据和频域数据，时域数据为一维图像的波形点，频域数据为二维图像的像素点。

3.根据权利要求2所述的一种基于多域残差神经网络的脑电意识疲劳监测方法，其特征在于：步骤s2中，残差神经网络bis预测模型包括时域残差子网络、频域残差子网络和全连接层；

4.根据权利要求3所述的一种基于多域残差神经网络的脑电意识疲劳监测方法，其特征在于：时域...

【专利技术属性】
技术研发人员：李荭娜，李昱函，陈玥，周靖杰，
申请(专利权)人：天津理工大学，
类型：发明
国别省市：