【技术实现步骤摘要】
本专利技术涉及医疗器械领域，具体涉及脑机接口员工健康监测系统及监测方法。
技术介绍
1、随着当今社会生产力的不断发展,工业生产效率不断提高,工作者普遍面临工作强度大、工作压力高的问题。长期高强度和高压力的工作不仅会降低工作者工作效率,还会对工作者的身心健康造成损害,增加各类疾病的患病风险。
2、目前对工作者健康状况的监测主要通过工作者的自我报告、定期身体检查等方式进行，存在人工就医耗时长、流程繁琐的问题，不仅不能实时监测工作者的身心健康，而且会消耗大量的时间，监测成本也高。
3、脑机接口技术可以通过检测人的脑电活动,实现对人的身心状态的实时监测。但现有技术尚未将脑机接口技术应用于员工健康监测。因此,亟需一种可以通过脑机接口技术实时监测员工健康状态的系统。
技术实现思路
1、本专利技术的主要目的在于提供一种脑机接口员工健康监测系统及监测方法，该系统及方法能实时对员工进行健康监测，无需花费大量的时间和成本。
2、本专利技术所采用的技术方案是：
3、一种脑机接口员工健康监测系统，其包括脑机接口头戴装置、信号转换装置、信号处理装置、健康评估装置；
4、脑机接口头戴装置用于采集受检人员0-50hz的5种脑电信号；
5、所述5种脑电信号为(0-4]hz的dela波、(4-8]hz的theta波、(8-13]hz的alpha波、(13-30]hz的beta波、(30-50]hz的gamma波；
6、信号转换装置连
7、信号处理装置连接所述信号转换装置，用于接收信号转换装置传来的经过数模转换的脑电信号，对该脑电信号进行数据预处理、特征提取、特征分类；根据特征分类输出员工健康分类评估结果；
8、健康评估装置连接所述信号处理装置，用于接收信号处理装置传来的员工健康分类评估结果，根据该员工健康分类评估结果，结合疲劳压力评估表评估员工的健康状态。
9、更进一步的方案是，所述脑机接口头戴装置(脑电采集装置)包括脑电帽、电极、导电膏，用于采集受检人员头皮脑电信号，属于头戴式无损伤设备；导电膏为电极能更好的采集脑电信号；
10、所述电极安设在脑电帽内，包括ag/agcl涂层聚合物电极、接地电极和参考电极；电极采用32导的电极位。
11、脑电帽通过置于头皮表面的ag/agcl涂层聚合物电极(99.9％纯银材质作为基底，氯化银作为镀层，具有测量平衡电位时间快，测量精度高，可用于诱发电位和事件相关电位的测量，电极耐用等优点。)进行脑电信号的采集与传送。脑电信号(eeg)是由大脑皮质大量神经组织的突触后电位同步总和而成，因单个神经元电活动非常微小，不能在头皮记录到，只有神经元群的同步放电才能记录到。人的自发eeg波幅约为10-100μv，非常微弱，通过脑电帽中的电极可以实时的采集到微弱的脑电信号，并通过传输线传送将脑电信号发送到信号处理设备，为下一步脑电解码提供信息基础。在脑电帽使用时，还需加入接地电极和参考电极，接地电极为电极减少共模干扰，同时接通信号。参考电极用于相对的零电位信号，用以记录每个电极中减去该信号获取值。脑电信号通道的数量决定能够获取的信息量，采用32导的电极位，并参考国际10-20系统定位，该系统常用于临床研究和实践中。
12、更进一步的方案是，所述信号转换装置包括差分放大器、数字滤波器、数模转换器。差分放大器用于对由脑机接口头戴装置采集的电压信号进行一级放大；数字滤波器用于对特定频率滤波；数模转换器用于将滤波后的信号转换为可由计算机处理的数字信号。
13、更进一步的方案是，所述信号处理装置基于深度学习算法对所述脑电特征参数进行分析。
14、更进一步的方案是，所述信号处理装置对该脑电信号进行数据预处理、特征提取、特征分类的步骤为：
15、1)数据预处理：滤波、分段、基线校正、重参考、剔除坏导、独立主成分分析并进行标准化；
16、2)调用快速傅里叶变换(fft)、希尔伯特黄(hht)、共同空间模式(csp)算法，从预处理完成的5种脑电信号中提取特征参数，提取对应时域、频域、空域特征集；
17、3)将步骤2)中的时域、频域、空域特征集划分为将训练集和测试集，将训练集数据送入深度学习模型(lstm+attention+transformer+全连接层神经网络)中进行训练；
18、4)将测试集数据输入到训练后的深度学习模型生成评估模型，进行疲劳压力分类，根据准确率、标准差、召回率指标进行评估。
19、进一步的方案是，步骤1)中，数据预处理还可包括去噪，去噪是对原始eeg信号应用带通滤波器以去除噪声。计算公式为：
20、
21、其中filtered eeg(t)：经过滤波器处理后的eeg信号，eeg(t′)：原始的脑电信号，h(t-t′)：滤波器的冲激响应函数；t,t′：时间变量。
22、更进一步的方案是，步骤2)中，调用快速傅里叶变换(fft)、希尔伯特黄(hht)、共同空间模式(csp)算法，从5种脑电信号中提取特征参数，提取对应时域、频域、空域特征集，获取不同维度的特征数据；
23、其中，快速傅里叶变换公式：
24、
25、x(k)表示频率域上的分量，x(n)表示第n个采样点的信号值，n表示信号的总采样数，n表示采样点的个数，k表示频域上的频率分量索引，i是虚数单位；
26、希尔伯特黄计算公式：
27、
28、wj(t)表示瞬时频率,aj(t)表示振幅函数，j表示第j个分量，θj(t)表示相位函数；
29、共同空间模式计算公式：
30、
31、var(zw)表示前m个和后m个特征值构成的信号矩阵方差，∫w表示第w个样本的特征向量,w表示样本个数，m表示特征值个数。
32、更进一步的方案是，步骤3)中，将步骤2)中的时域、频域、空域特征集分为训练集和测试集,将训练集输入深度学习模型(lstm+attention+transformer+全连接层神经网络)进行训练的步骤为：
33、31)将时域、频域、空域特征，按照7:3的比例将预处理后的脑电数据分为训练集d{x1,x2,x3...xn}和测试集t{y1,y2,y3...ym}；
34、32)将训练集d{x1,x2,x3...xn}输入到预先构建的深度学习模型中进行训练；
35、为了提高神经网络的性能，设计了一种改进的四层lstm+attention+transformer+全连接层神经网络；采用adam优化器和二元交叉熵损失模型；在应用于神经网络结构进行分类之前，对输入进行归一化处理；全连接层将一层中的每个神经元连接到下一层的每个神经元；最后通过softmax进行最终分类；本文档来自技高网...
【技术保护点】
1.一种脑机接口员工健康监测系统，其特征在于：包括
2.根据权利要求1所述的脑机接口员工健康监测系统，其特征在于：所述5种脑电信号为(0-4]HZ的dela波、(4-8]HZ的theta波、(8-13]HZ的alpha波、(13-30]HZ的beta波、(30-50]HZ的gamma波。
3.根据权利要求1所述的脑机接口员工健康监测系统，其特征在于：所述脑机接口头戴装置包括脑电帽、电极、导电膏；
4.根据权利要求1所述的脑机接口员工健康监测系统，其特征在于：所述信号转换装置包括差分放大器、数字滤波器、数模转换器。
5.根据权利要求1所述的脑机接口员工健康监测系统，其特征在于：所述信号处理装置基于深度学习算法对脑电特征参数进行分析。
6.根据权利要求1所述的脑机接口员工健康监测系统，其特征在于：
7.根据权利要求6所述的脑机接口员工健康监测系统，其特征在于：
8.根据权利要求6所述的脑机接口员工健康监测系统，其特征在于：
9.根据权利要求1所述的脑机接口员工健康监测系统，其特征在于：p>
10.一种脑机接口员工健康监测方法，其特征在于：
...【技术特征摘要】
1.一种脑机接口员工健康监测系统，其特征在于：包括
2.根据权利要求1所述的脑机接口员工健康监测系统，其特征在于：所述5种脑电信号为(0-4]hz的dela波、(4-8]hz的theta波、(8-13]hz的alpha波、(13-30]hz的beta波、(30-50]hz的gamma波。
3.根据权利要求1所述的脑机接口员工健康监测系统，其特征在于：所述脑机接口头戴装置包括脑电帽、电极、导电膏；
4.根据权利要求1所述的脑机接口员工健康监测系统，其特征在于：所述信号转换装置包括差分放大...
【专利技术属性】
技术研发人员：许进，陈耀，余紫微，胡新荣，陈宇，
申请(专利权)人：武汉纺织大学，
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。