【技术实现步骤摘要】
本专利技术涉及疲劳检测，具体涉及一种基于脑电波与深度学习的实时疲劳检测方法及系统。
技术介绍
1、疲劳程度是综合人的意识和精力的表现，当疲劳状态与工作强度不对等时，将容易引发事故。如果不及时发现和减轻疲劳状态来降低诱发疾病恶化的风险，长期疲倦工作将导致许多严重的人身安全事故，因此，及时检测和预防疲劳是非常重要的；
2、目前常规疲劳检测方法一般通过检测人体外部表现特征来判断其是否处于疲劳状态，例如正常活动的打哈欠、闭眼时长、低头等，但容易受到光照、遮挡(戴眼镜)等因素影响，往往带来疲劳检测准确率低、疲劳程度等级无法区分的问题。而脑电(eeg)能够直接反应人体的疲劳程度，随着个体精神状态的改变，脑电(eeg)通道之间的局部功能连接特征和全局功能连接特征都会改变。利用脑电波展开的疲劳检测为人体疲劳程度的判断提供精确的数据，以实现对个人疲劳程度的检测与实时反馈，同时对过度疲劳进行预警，从而减少由过度疲劳导致的人身安全事故发生。
3、目前将脑电波所有电极数据聚合并进行滤波去噪及对5bands进行特征提取是脑电数据分析的标准...
【技术保护点】
1.一种基于脑电波与深度学习的实时疲劳检测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的基于脑电波与深度学习的实时疲劳检测方法，其特征在于，根据客观测试指标及主观问卷评价得到脑电数据的疲劳程度标签，具体包括：
3.根据权利要求1所述的基于脑电波与深度学习的实时疲劳检测方法，其特征在于，依次计算各个通道的微分熵，具体表示为：
4.根据权利要求1所述的基于脑电波与深度学习的实时疲劳检测方法，其特征在于，所述时间卷积网络TCN包括依次连接的TCN输入层、TCN隐藏层和TCN输出层，所述TCN隐藏层包括两个残差模块，每个残差模块...
【技术特征摘要】
1.一种基于脑电波与深度学习的实时疲劳检测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的基于脑电波与深度学习的实时疲劳检测方法，其特征在于，根据客观测试指标及主观问卷评价得到脑电数据的疲劳程度标签，具体包括：
3.根据权利要求1所述的基于脑电波与深度学习的实时疲劳检测方法，其特征在于，依次计算各个通道的微分熵，具体表示为：
4.根据权利要求1所述的基于脑电波与深度学习的实时疲劳检测方法，其特征在于，所述时间卷积网络tcn包括依次连接的tcn输入层、tcn隐藏层和tcn输出层，所述tcn隐藏层包括两个残差模块，每个残差模块依次包括膨胀因果卷积、权重归一化、激活层、丢弃层；
5.根据权利要求4所述的基于脑电波与深度学习的实时疲劳检测方法，其特征在于，所述图卷积层表示表示为：
6.根据权利要求1所述的基于脑电波与深度学习的实时疲劳检测方法，其特征在于，自适应邻接...
【专利技术属性】
技术研发人员：伍冯洁，柳佳瑞，张立汉，杨藉森，何演，林肇隆，宁毓轩，黄学纬，
申请(专利权)人：广州大学，
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。