一种基于脑机接口的头戴式防护设备疲劳监测与干预方法和系统与流程

本发明属于智能穿戴设备、脑机接口与生理信号处理，具体涉及一种基于脑机接口的头戴式防护设备疲劳监测与干预方法和系统。

背景技术：

1、在建筑施工、电力运维、矿山开采、高空作业等高危工业生产场景，以及摩托车、电动车等交通骑行场景中，佩戴人员的工作疲劳（如长时间高强度作业或连续骑行导致的脑力疲劳、注意力下降、反应迟缓等）是引发严重安全事故的核心隐患之一。针对头戴式防护设备（如安全帽、头盔）的疲劳监测与安全防护，现有技术通常采用在装备中集成视频摄像、单一生理传感器或基础声光报警模块的做法，但在实际应用场景中仍存在以下显著不足：

2、第一，监测手段多属间接感知，存在精度低、抗干扰差与时效性滞后问题。现有主流疲劳监测方案多依赖面部特征识别（如眨眼频率、眼睑闭合度）、头部姿态识别（如低头角度、摇头频率）或单一生理信号（如心率）。此类间接监测手段在工业现场易受强光、粉尘、口罩遮挡等干扰，在交通骑行场景易受骑行震动、风噪及电磁环境影响；更重要的是，心率、呼吸或外周姿态等表征的变化相较于大脑皮层神经活动存在明显的生理滞后性，当佩戴人员表现出外部明显疲劳特征时，通常已处于中重度疲劳状态，无法实现中枢神经疲劳的早期精准预警。

3、第二，脑机接口设备与防护头盔集成度差，复杂场景抗干扰能力不足。虽然脑机接口（bci）技术可通过脑电信号（eeg）直接反映大脑中枢神经系统的活跃状态，但现有的脑电采集设备多为独立的头环或耳机形态，结构庞大且难以与头戴式防护设备的防护内衬及抗冲击结构进行有机集成。在作业人员高强度体动或骑行颠簸震动环境下，运动伪迹、肌电噪声以及电磁干扰容易严重污染脑电原始信号，且系统难以适应不同个体间的生理基线差异，导致监测稳定性难以保证。

4、第三，缺乏主动闭环干预能力与分级自适应调节策略。现有设备的功能普遍局限于单向监测、报警流程，缺乏主动缓解疲劳的物理干预手段。少数具备提醒功能的设备干预模式单一，缺乏针对不同疲劳等级的阶梯式干预策略，既容易在轻度疲劳时因过度提醒而干扰佩戴人员的正常作业或骑行安全，又可能在重度疲劳时干预强度不足而无法起到有效唤醒作用；同时，现有系统无法根据干预后的生理反馈动态调整干预强度，难以实现干预效果的自我优化。

5、综上所述，如何将小型化、抗干扰的脑机接口模块与头戴式防护设备深度集成，结合多模态生理特征实现中枢神经疲劳的高精度实时评估，并构建适配工业高危作业与交通骑行场景的疲劳监测与干预体系，是当前头戴式防护设备疲劳防护领域亟待解决的技术难题。

技术实现思路

1、本发明的目的在于克服现有头戴式防护设备疲劳监测精度低、时效性差、脑机接口与装备集成度低、复杂环境抗干扰能力弱以及缺乏自适应分级闭环干预能力的技术缺陷，提供一种基于脑机接口的头戴式防护设备疲劳监测与干预方法；本发明旨在解决如何将小型化脑机接口模块与头戴式防护设备结构深度融合并降低个体生理差异与运动干扰对监测精度的影响，如何直接采集脑电信号并结合外周生理信号进行多模态联合去噪与特征融合以实现中枢神经疲劳状态的早期精准评估，以及如何建立匹配作业与骑行安全的分级阶梯物理干预策略并根据干预后的生理反馈实时自适应调节干预强度，从而实现感知、处理、决策、分级干预、反馈调节全流程自动化闭环控制的技术问题。

2、为实现上述目的，本发明第一方面提供一种基于脑机接口的头戴式防护设备疲劳监测与干预方法，包括如下步骤：

3、响应于系统启动，采集佩戴人员清醒状态下的脑电信号，和/或辅助生理信号，标定个体生理基线参数；

4、通过集成于头戴式防护设备的脑电采集模块实时采集佩戴人员的脑电信号，和/或同步采集至少一路辅助生理信号；

5、对所述脑电信号，和/或所述辅助生理信号分别进行去噪预处理，去除运动干扰与环境噪声；

6、提取脑电疲劳特征，和/或辅助生理特征，将所述特征输入预设的规则解析模型或训练好的分类模型中，得到疲劳判定结果并划分对应的疲劳等级；

7、根据当前疲劳等级，控制集成于所述头戴式防护设备的干预执行模块触发对应层级的物理干预动作；

8、干预执行后重新采集生理信号并判定疲劳状态，基于状态变化评估干预效果，动态调整后续干预强度，形成监测、决策、干预、反馈的闭环控制。

9、进一步的，当同步采集脑电信号与至少一路辅助生理信号时，所述提取脑电疲劳特征与辅助生理特征，经融合计算得到疲劳判定结果并划分对应的疲劳等级，具体包括：

10、提取脑电信号中波、波、波的平均功率谱密度值，按下式计算得到脑电疲劳指数：

11、

12、其中，分别对应波、波、波的平均功率谱密度；

13、分别提取辅助生理信号对应的心率变异性疲劳指数、皮电疲劳指数与血氧疲劳指数，计算公式分别为：

14、

15、

16、

17、其中，为心率间期标准差，为皮肤电导水平，为血氧饱和度，下标、对应清醒基线状态下的极值；

18、将归一化后的脑电疲劳指数与各生理疲劳参量按预设权重加权求和，得到多模态融合疲劳指数，其中脑电疲劳指数的权重占比为；

19、所述疲劳等级的分级阈值基于个体生理基线自适应标定，满足：

20、

21、其中，为清醒状态下的基线融合疲劳指数，为第级疲劳的判定阈值，为对应等级的预设比例系数，且系数随疲劳等级升高而递增；

22、根据分级阈值对融合疲劳指数进行区间划分，得到对应的疲劳等级。

23、进一步的，所述提取脑电疲劳特征，和/或辅助生理特征，经融合计算得到疲劳判定结果并划分对应的疲劳等级，具体包括：

24、对去噪后的脑电信号进行极值归一化处理，再提取脑电信号的多维度特征，至少包含频域功率比特征、时域参数特征以及信息熵维度的功率谱熵特征；

25、对各维度脑电特征和/或辅助生理特征进行归一化处理后，按下式加权融合构建融合特征向量：

26、

27、其中脑电特征总权重占比高于辅助生理特征总权重；

28、将融合特征向量输入经交叉熵损失函数训练优化的神经网络分类模型，直接输出对应的疲劳等级分类结果；所述交叉熵损失函数的表达式为：

29、

30、其中，为训练样本数，为真实标签，为预测概率。

31、进一步的，所述频域功率比特征、时域参数特征以及功率谱熵特征的计算公式分别为：

32、频域维度的功率比与功率比：

33、

34、时域维度的活动度、移动度、复杂度参数：

35、

36、

37、

38、信息熵维度的功率谱熵：

39、

40、式中，、分别为归一化脑电信号的一阶导数与二阶导数，为方差函数，为第段功率谱的概率，为功率谱分段数。

41、进一步的，所述对脑电信号进行去噪预处理，对原始脑电信号依次执行带通滤波、工频陷波处理，滤除频段外噪声与工频干扰；

42、通过独立成分分析将脑电信号分解为多个独立源成分，基于信号统计特征识别并剔除眼电伪迹、肌电伪迹对应的独立源成分，对剩余成分进行信号重构，得到去噪后的脑电信号。具体包括：

43、对原始脑电信号依次执行带通滤波、工频陷波处理，滤除频段外噪声与工频干扰；所述工频陷波滤波器的传递函数为：

44、

45、其中，为工频角频率，为预设品质因数；

46、通过独立成分分析将脑电信号分解为多个独立源成分，分解关系满足：

47、

48、其中，为预处理信号矩阵，为混合矩阵，为独立源成分矩阵；

49、计算各独立成分的峭度值作为伪迹识别依据，峭度计算公式为：

50、

51、其中，为信号均值，为数学期望；

52、基于峭度值与基线信号的相关性识别并剔除眼电伪迹、肌电伪迹对应的独立源成分，对剩余独立源成分进行信号重构，得到去噪后的脑电信号。

53、进一步的，所述对脑电信号进行去噪预处理，基于标定的个体生理基线对原始脑电信号执行基线差分校准，消除个体基线漂移干扰；

54、采用自适应陷波滤波滤除工频干扰，再采用随信号噪声水平自适应调整阈值的小波阈值滤波去除震动与风噪干扰；

55、对处理后的信号执行平滑输出，得到去噪后的脑电信号。具体包括：

56、基于标定的个体生理基线对原始脑电信号执行基线差分校准，计算公式为：

57、

58、其中，为实时原始脑电信号，为基线脑电信号，为校准后脑电信号；

59、采用自适应陷波滤波滤除工频干扰，再采用随信号噪声水平自适应调整阈值的小波阈值滤波去除震动与风噪干扰，所述小波阈值的计算式为：

60、

61、其中，为噪声标准差，为信号采样点数；

62、对处理后的信号执行平滑输出，得到去噪后的脑电信号。

63、进一步的，所述动态调整后续干预强度，具体包括：

64、计算单次干预前后疲劳量化值的变化率，若连续两次干预后疲劳量化值下降率均小于预设阈值，则按固定比例逐级提升干预强度；

65、若干预后疲劳量化值下降至更低疲劳等级对应的阈值以下，则按固定比例逐级降低干预强度，直至匹配当前疲劳等级对应的基准强度；

66、干预强度的递推关系满足：

67、

68、其中，为当前次干预强度，为下一次干预强度，为干预前后疲劳量化值的变化量，为预设调节系数。

69、进一步的，当应用于工业作业场景时，重度疲劳等级对应的干预动作具体包括：

70、触发前额冷刺激唤醒动作，冷刺激温度与持续时长按预设规则阶梯式递增，其中冷刺激持续时间根据融合疲劳指数自适应计算，计算式为：

71、

72、其中，为融合疲劳指数，为重度疲劳判定阈值，为调节系数，且设定最大持续时长不超过预设上限；

73、同时将当前疲劳状态、干预记录与人员工位信息上传至云端管理平台，向现场管理人员触发远程报警。

74、进一步的，当应用于交通骑行场景时，重度疲劳等级对应的干预动作具体包括：

75、通过骨传导语音与头盔内衬对称振动触发提醒，同时触发防护设备尾部频闪灯光警示周边车辆；

76、联动绑定的移动终端，向预设紧急联系人推送佩戴人员的实时位置与疲劳预警信息。

77、进一步的，所述方法还包括疲劳趋势预测与断网自适应运行步骤：

78、基于云端存储的历史监测数据构建佩戴人员的疲劳发展趋势模型，预测疲劳状态的演进速度，当预测未来预设时长内将达到重度疲劳状态时，提前触发预警提醒；

79、当设备处于网络连接中断状态时，全部信号处理、疲劳判定与干预执行流程在本地边缘计算单元闭环运行，监测数据与干预记录采用循环覆盖方式缓存至本地存储单元，网络恢复后自动断点续传至云端管理平台。

80、本发明第二方面提供一种基于脑机接口的头戴式防护设备疲劳监测与干预系统，该系统用于实现上述的方法，集成于头戴式防护设备本体，包括：

81、基线标定模块，用于响应于系统启动，采集佩戴人员清醒状态下的脑电信号，和/或辅助生理信号，标定个体生理基线参数；

82、信号采集模块，包括脑电采集单元，用于实时采集佩戴人员的脑电信号，和/或同步采集至少一路辅助生理信号；

83、预处理模块，用于对采集到的脑电信号和/或辅助生理信号进行去噪预处理，去除运动干扰与环境噪声；

84、疲劳判定模块，用于提取脑电疲劳特征和/或辅助生理特征，将所述特征输入预设的规则解析模型或训练好的分类模型中，得到疲劳判定结果并划分对应的疲劳等级；

85、干预执行模块，用于根据当前疲劳等级，触发对应层级的物理干预动作；

86、闭环调节模块，用于干预执行后重新采集生理信号并判定疲劳状态，基于状态变化评估干预效果，动态调整后续干预强度，形成监测、决策、干预、反馈的闭环控制。

87、与现有技术相比，本发明具有以下显著的有益效果：

88、以直接反映大脑皮层神经活动的脑电信号为主导特征，融合心率变异性、皮肤电导及血氧饱和度等多模态生理参量，通过加权指数融合或神经网络分类两种路径实现疲劳等级判定。配合系统启动时的个体生理基线标定与自适应分级阈值机制，可消除不同个体间的生理基线差异，克服传统面部识别、姿态识别或单一生理信号易受遮挡干扰且存在生理滞后的缺陷，实现中枢神经疲劳状态的早期精准评估。

89、针对不同应用场景的噪声特性配置差异化预处理方案，工业场景下通过工频陷波结合独立成分分析，以峭度特征识别并剔除工频电磁干扰与眼电肌电伪迹；骑行场景下通过基线校准结合自适应小波阈值滤波，抑制颠簸震动与风噪干扰。该方案解决了脑电信号在头戴防护装备集成形态下极易受运动伪迹污染的问题，保障系统在工业高危作业与交通骑行复杂场景下的运行稳定性。

90、根据疲劳等级匹配阶梯式物理干预策略，干预执行后重新采集生理信号评估干预效果，基于疲劳量化值的变化动态递推调节后续干预强度，建立感知、决策、干预、反馈的自动化闭环控制机制。该机制既能够避免轻度疲劳时过度提醒对正常作业或骑行安全的干扰，又能够保证重度疲劳时具备足够的物理唤醒强度，兼顾防护有效性与使用体验。

91、针对工业作业与交通骑行场景的不同安全约束，分别配置针对性干预手段。工业场景采用前额物理冷刺激唤醒方式，同步联动云端上传工位信息并向管理人员触发远程报警，适配班组安全管理需求。骑行场景采用骨传导语音提醒、内衬对称振动、头盔尾部灯光频闪及移动终端联动报警方式，在不分散佩戴人员注意力、不遮挡环境音的前提下，实现本人唤醒与周边警示的多重安全防护。

92、兼具本地边缘计算离线运行与云端疲劳趋势预测能力，网络连接中断时，由本地边缘单元独立维持全流程监测与干预闭环，配合本地循环缓存与断点续传机制，保证无网或弱网环境下安全防护不中断。同时可基于云端历史数据构建个人疲劳演进模型，预判重度疲劳节点并提前预警，将被动响应升级为主动防护。