一种基于脑电信号的人体疲劳检测方法及系统

1.本发明涉及一种基于脑电信号的人体疲劳检测方法及系统，属于数字信号处理技术领域。


背景技术：

2.长时期高强度单调的脑力劳动会使人产生精神疲劳，但是如果不及时调整和恢复的话，精神疲劳会降低工作和学习效率，甚至会威胁到人们的生命健康；目前检测检测人体疲劳的方法主要包括：人的行为特征，图像分析人体面部特征，人的生理指标，其中人的行为特征以及人的面部特征各个人体之间存在差异性，因此并不能准确识别是否疲劳，具有一定的欺骗性，人的生理指标目前作为研究疲劳的热点，真实可靠；脑电信号图可以直接反应大脑组织的电活动，用它来评价精神疲劳已成为精神疲劳检测研究的热点。
3.目前在国内外利用脑电波检测人体疲劳已经取得了一些有意义的成果；韩伟等人结合脑电信号的非线性特性，将多尺度熵结合支持向量机用于疲劳检测中；且现有技术存在检测准确率不够高、可靠性低、可扩展性不强等方面的问题。


技术实现要素：

4.本发明的目的在于提供一种基于脑电信号的人体疲劳检测方法及系统，排除脑电信号中含有的干扰信息，提高对疲劳检测的准确率，实现可靠、准确的且不依赖于个体差异的人体疲劳检测。
5.为实现以上目的，本发明是采用下述技术方案实现的：
6.第一方面，本发明提供了一种基于脑电信号的人体疲劳检测方法，包括：
7.获取含噪脑电信号并对其进行预处理得到干净脑电信号；
8.对干净脑电信号进行小波包变换分解，得到节律波；
9.计算节律波的能量，根据节律波能量计算能量比值；
10.将能量比值输入预训练好的人工神经网络中，得到疲劳和非疲劳的概率，其中概率大的为检测结果。
11.结合第一方面，进一步的，获取含噪脑电信号并对其进行预处理得到干净脑电信号，包括利用小波变换对含噪脑电信号进行预处理的步骤：
12.利用小波函数对含噪脑电信号进行多尺度分解，得到一级小波分解结构；
13.通过被压缩细节向量和阈值向量对各尺度上的小波系数做阈值量化处理得到二级小波分解结构；
14.通过所述小波函数对二级小波分解结构进行逆变换得到干净脑电信号。
15.结合第一方面，进一步的，所述被压缩细节向量和阈值向量为预先设置的。
16.结合第一方面，进一步的，对干净脑电信号进行小波包变换分解，得到节律波，其中所述小波包变换分解的层数为六层。
17.结合第一方面，进一步的，计算节律波的能量的方法包括：
18.δ波能量为：
19.θ波能量为：
20.α波能量为：
21.β波能量为：
22.其中，x(δ)n(n＝1，2...，n)、x(θ)n(n＝1，2...，n)、x(α)n(n＝1，2...，n)和x(β)n(n＝1，2...，n)分别表示各节律波的幅值，n为采样点数。
23.结合第一方面，进一步的，根据节律波能量计算能量比值的方法包括：
24.r＝(e(α) e(θ))/e(β)
25.其中，e(α)、e(θ)、e(β)分别是α波能量、θ波能量和β波能量。
26.第二方面，本发明还提供了一种基于脑电信号的人体疲劳检测系统，包括：
27.预处理模块：用于获取含噪脑电信号并对其进行预处理得到干净脑电信号；
28.小波包变换分解模块：用于对干净脑电信号进行小波包变换分解，得到节律波；
29.能量比值获取模块：用于计算节律波的能量，根据节律波能量计算能量比值；
30.检测模块：用于将能量比值输入预训练好的人工神经网络中，得到疲劳和非疲劳的概率，其中概率大的为检测结果。
31.与现有技术相比，本发明所达到的有益效果是：
32.本发明提供的一种基于脑电信号的人体疲劳检测方法及系统，对含噪脑电信号进行预处理得到干净脑电信号，排除脑电信号中含有的干扰信息，提高后续对疲劳检测的准确率；采用小波包对干净脑电信号进行变换分解，得到节律波，小波包相对于小波变换能够进一步细分高频信号，按照任意时频分辨率分解信号；根据节律波计算出节律波能量和能量比值，从而进一步输入训练好的人工神经网络中，实现对人体疲劳与否的检测，根据脑电信号节律特征将能量比值作为疲劳检测的输入，构建疲劳检测分类器，实现可靠、准确的且不依赖于个体差异的人体疲劳检测；
33.采用小波变换对含噪脑电信号进行预处理，小波变换是一种信号的时频分析，可以针对性的去处理一些局部噪声，效果较好，能够很好的将原始脑电信号提取出来，得到干净脑电信号。
附图说明
34.图1是本发明实施例提供的一种基于脑电信号的人体疲劳检测方法的流程图；
35.图2是本发明实施例提供的一种基于脑电信号的人体疲劳检测方法的测试结果图。
具体实施方式
36.下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明
的技术方案，而不能以此来限制本发明的保护范围。
37.实施例1
38.如图1所示，本发明实施例提供的一种基于脑电信号的人体疲劳检测方法，包括如下步骤：
39.s1、获取含噪脑电信号并对其进行预处理得到干净脑电信号。
40.在本实施例中，首先获取60组数据(含噪脑电信号)作为训练样本，获取20组组数据(含噪脑电信号)作为测试样本。
41.利用小波变换对获取到的含噪脑电信号进行预处理：
42.利用小波函数对含噪脑电信号进行多尺度分解，得到一级小波分解结构[c,l]；
[0043]
通过自定义的被压缩细节向量m和阈值向量p对各个尺度上的小波系数做阈值量化处理得到二级小波分解结构[mc,l]；
[0044]
通过同样的小波函数对二级小波分解结构进行逆变换(重构信号)得到干净脑电信号。
[0045]
在本实施例中选取d5小波函数对含噪脑电信号进行3层分解，对高频系数进行阈值处理，最后使用d5小波函数进行信号重构，得到干净脑电信号。
[0046]
s2、对干净脑电信号进行小波包变换分解，得到节律波。
[0047]
对去噪后的干净脑电信号通过小波包变换分解进行特征提取，提取出四种节律波，分别是δ波、θ波、α波和β波；δ波是在人体极度疲劳或者深睡的时候出现，θ波是在人受到挫折或者精神抑郁的时候出现，α波是在人清净状态或者集中思考的时候出现，β波是在人精神紧张、情绪激动或者亢奋的时候出现。
[0048]
s3、计算节律波的能量，根据节律波能量计算能量比值。
[0049]
根据脑电波的采样频率和脑电波的频率划分，将小波包的分解层数定为六层，并将小波包分解的系数作为特征，求各个节律的能量。
[0050]
计算节律波的能量的方法包括如下步骤：
[0051]
δ波能量为：
[0052]
θ波能量为：
[0053]
α波能量为：
[0054]
β波能量为：
[0055]
其中，x(δ)n(n＝1，2...，n)、x(θ)n(n＝1，2...，n)、x(α)n(n＝1，2...，n)和x(β)n(n＝1，2...，n)分别表示经小波包变换分解后各节律波的幅值，n为采样点数。
[0056]
计算能量比值的方法包括如下步骤：
[0057]
r＝(e(α) e(θ))/e(β)
[0058]
其中，e(α)、e(θ)、e(β)分别是α波能量、θ波能量和β波能量。
[0059]
s4、将能量比值输入预训练好的人工神经网络中，得到疲劳和非疲劳的概率，其中
概率大的为检测结果。
[0060]
利用matlab的神经网络工具对人工神经网络(ann)进行训练，在训练人工神经网络之前先对输入的样本数据进行了归一化处理，为了防止样本数据范围较大，而导致神经网络的收敛速度慢或者训练时间较长，因此我们需要将样本数据的范围控制在[-1，1]之间，本实施例构建的仍神经网络训练函数设置为traingdx函数，根据梯度下降动量和自适应学习速率更新权重和阈值，训练速度更快，精度高，设置网络最大迭代次数为500，学习速率为0.01，目标误差为0.01。
[0061]
对ann人工神经网络进行训练，定义了两个输出，分别对应测试样本属于疲劳和非疲劳的概率，其中概率大的为检测结果，根据概率大小通过[10]表示非疲劳，[01]表示疲劳；对测试结果进行分类标识，标识1是非疲劳，标识2是疲劳。
[0062]
本实施例将s1中获取到的60组数据处理后的数据作为训练样本，训练完成后，将另外20组数据处理后的数据作为测试样本，得到如图2所示的测试结果图。
[0063]
由图2可知，训练至138次得到最优的训练误差为0.0092598，且由于军方误差能够表达人工神经网络的输出与其期望输出之间的关系，所以得到最后测试样本的准确率为87.5％。
[0064]
本发明实施例提供的一种基于脑电信号的人体疲劳检测方法，采用小波变换对含噪信号进行预处理，小波变换是基于傅里叶变换不断发展而来的，由于傅里叶变换是一种全局变换，其局部性比较差，并且通常用于处理平稳信号，不适合用于脑电信号这种非平稳信号的去噪；小波变换是一种信号的时频分析，可以针对性的去处理一些局部噪声，效果较好，可以很好地将原始脑电信号提取出来。
[0065]
小波变换主要对含噪脑电信号选择合适的小波函数进行离散小波分解，得到各个尺度上的小波系数，接着对含有噪声的频带进行阈值去噪处理，最后重构去噪后的信号得到干净脑电信号。
[0066]
采用小波包变换对信号进行分解，小波包相对于小波变换能进一步细分高频信号，按照任意时频分辨率分解信号。
[0067]
根据脑电信号节律特征将能量比值作为疲劳检测指标，构建疲劳检测分类器，实现可靠、准确的并且不依赖于个体差异的疲劳检测。
[0068]
实施例2
[0069]
本发明实施例提供的一种基于脑电信号的人体疲劳检测系统，包括：
[0070]
预处理模块：用于获取含噪脑电信号并对其进行预处理得到干净脑电信号；
[0071]
小波包变换分解模块：用于对干净脑电信号进行小波包变换分解，得到节律波；
[0072]
能量比值获取模块：用于计算节律波的能量，根据节律波能量计算能量比值；
[0073]
检测模块：用于将能量比值输入预训练好的人工神经网络中，得到疲劳和非疲劳的概率，其中概率大的为检测结果。
[0074]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0075]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0076]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0077]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0078]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。