-
专利名称
基于脑电波的人体疲劳度评价方法
-
发明者
朱晓斐, 孙耀胜, 唐丹黎, 韩冰
-
公开日
2014年8月20日
-
申请日期
2014年5月7日
-
优先权日
2014年5月7日
-
申请人
朱晓斐, 孙耀胜, 唐丹黎, 韩冰
-
文档编号
A61B5/16GK103989485SQ201410190155
-
关键字
-
权利要求
1.一种基于脑电波的人体疲劳度评价方法，该方法的实现依次包括以下步骤 第一步，利用ThinkGear AM脑电波芯片获取训练样本，并从中提取脑电波特征参数，将其作为神经网络的预输入参数，同时根据被测对象填写的主观调查表获取评价结果，作为神经网络的输出，并将采集到的样本分为训练组和测试组； 第二步，将提取到的特征参数作归一化处理，作为神经网络的直接输入，并将对应的疲劳度评价结果规定由I飞这五个数值代替，作为网络的直接输出，利用训练组数据进行训练，根据实际输出和期望输出的差异，不断调整各节点连接权值和阈值，初步完成网络的建立； 第三步，利用测试组的数据对建立的网络进行测试，检验该网络能否达到预期的效果，由此对网络进行重复训练，不断提高其评价的正确性，最终完成网络的建立， 其特征在于，第一步中所提取的脑电波特征参数分为四类 第一类，原始δ波、Θ波、α波、β波、Y波5种脑电波信号的变异系数，δ波在成人入睡后，或成年人困倦时出现；Θ波，少年或成年人困倦时出现；α波在人清醒、安静、闭眼及正常血糖范围情况下出现；β波在人睁眼和大脑皮层处在紧张活动状态时出现(即正常人白天工作时会出现的脑电波)；Y波在人进入慢波睡眠时出现，变异系数是衡量数据中各观测值变异程度的一个统计量，当进行两个或多个资料变异程度的比较时，如果资料的度量单位与平均数相同，可以直接利用标准差来比较，如果资料的单位和(或)平均数不同时，比较其变异程度就不能采用标准差，而需采用标准差与平均数的比值来比较，标准差与平均数的比值称为变异系数，故利用变异系数来观测各脑电信号的变异程度，其计算公式为 变异系数=(标准偏差/平均值)*100%(I) 第二类，基于α波的复杂度、功率谱熵两种非线性参数，复杂度是从一维的角度反映数据序列随其长度的增长出现新模式的速率，反映了数据在结构上的复杂性，包含有很多的信息，规则运动(稳态和周期运动)的复杂度等于0，随机运动(理想白噪声)为1，混有噪声的规则运动、色噪声和混沌的复杂度介于O和I之间，根据Lempel-Ziv复杂度计算方法，首先要将数据序列符号化，符号序列复杂度计算过程如下 令c(n)为某一给定的符号序列S= (Sl，S2,……，sn)的复杂度，其中Si代表一个字符，分别令S，Q代表两个字符串，SQ表示由S，Q两个字符串组成的总字符串，SQP表示把SQ最后一个字符删除的字符串，其中，P表示删除最后一个字符的操作，令V(SQP)表示SQP所有不同字串的集合，c (n)，S, Q 初始化为 c (n) =LS=S1, Q=S2,可以得 SPQ=S1,假定 S= S1, S2,......，Sr,Q=sr+1,如果Q e V(SQP)，则表示Srt是S= S1, s2,……，的一个子字符串，则S不变，只需将Q更新为Q= srtSr+2，然后再判断Q是否属于V (SQP)，上述过程循环进行，直到Qiv (SQP)为止，假设此时 Q=sr+1, Sr+2,......，sr+i,即 sr+1, Sr+2,......，sr+i 不是 S1, S2,......，的子字符串，因此C (η)的值将增加1，然后将Q组合到S中，使S更新为S1, S2,……，Sr，sr+1, sr+2,……，srt，取0为Srt+1,重复以上步骤,直到Q取到最后一位,这样就把SKs1, S2,......，Sn)分成了 c(n)个不同的子串，且根据研究，对几乎所有属于[0，I]区间的X对应的二进制分解所表示的序列都会趋向一个定值 Limn_> ^ c (n) =b (n) =n/log2n(2) 其中b(n)是随机序列的渐进行为，可以用它来使c(n)归一化，称为“归一化复杂度”，Clzn(n) =c (η) /b (η)(3) 功率谱熵是一种脑电复杂性分析的指标，从频域分析和非线性动力学分析的角度测量时间序列的复杂度，其谱熵值规律表现为信号中具有明显的振荡节律，即信号波形有规律，当信号波形较为规律时，脑电波功率谱中存在的谱峰越狭窄，谱熵越小；反之，信号波形为无规律随机信号时，功率谱越平坦，谱熵越大，由α波的采样数据，根据FFT变换可以得到功率谱密度P(x)，假设时间序列的离散傅里叶变换为X(x)，则其功率谱密度为 P(x)= |X(x) I2/N(4) 将功率谱Ρ(χ)按ψ照总的谱的功率进行归一化可得功率谱的概率密度分布函数Pw.定义相应的功率谱信息熵，简称功率谱熵，SP Hw=- Σ Pw1g(Pw)(5) 第三类，由脑电波中δ波、Θ波、α波和β波4个基本节律的能量计算出的疲劳指数F， F=(E5+Ee)/(Ea+E0)(6) 其中S波、Θ波、α波、β波四个信号波为随机信号，由Parseval定理，能量谱密度曲线下的面积等于信号幅度平方下的面积，总的能量是 / -CO00 |f(t) |2dt= / -00°0 I Ψ (w) |2dw(7) 对于离散时间序列，Parseval定理依旧成立，利用在时域中测量得到的离散时间序列数据，能量可以用平方和进行计算； 第四类，借助于脑电波信号所提取出的放松度和专注度两个参数的平均值，专注度和放松度是各种脑电波的综合体现，其中专注度可以被简单地认为是脑电α波被抑制的程度，而放松度则为α波，特别是中频α波活跃时的外在表现，专注度能够反映人体注意力的集中程度；放松度主要反映人体的精神状态，它们是大脑各种不同脑电波活动的集中表现，两者的值均可由脑电芯片内置算法直接获得2.根据权利要求1所述的基于脑电波的人体疲劳度评价方法，其特征在于采用了PNN神经网络对疲劳程度进行评 判3.根据权利要求1所述的基于脑电波的人体疲劳评价方法，其特征在于采用了人体在各种疲劳状态下，将各项脑电波特征参数归一化处理后作为输入，并将疲劳度进行分类后，由一数值代替作为输出对PNN神经网络进行训练
-
技术领域
[0001]本发明涉及人体健康工程、神经生理学、生物医学、数字信号处理技术、模式提取与模式分类、软件工程，特别是一种基于脑电波的人体疲劳度评价方法
-
专利摘要
本发明公开了一种基于脑电波的人体疲劳度评价方法。本方法利用ThinkGearAM脑电芯片采集原始脑电波信号，并由内置算法对原始脑电波信号进行分析处理，根据处理后的脑电波数据计算出以下四类参数；第一类，原始δ波、θ波、α波、β波、γ波5种脑电波信号的变异系数；第二类，复杂度和功率谱熵两种非线性参数；第三类，由脑电波中δ波、θ波、α波和β波4个基本节律的能量计算出的疲劳指数F；第四类，借助于脑电波信号所提取出的放松度和专注度两个参数，把这四类参数作为PNN神经网络（概率神经网络）的输入，将神经网络的输出作为人体的疲劳度评价依据，从而根据人的脑电波可判断出人的疲劳程度。
-
发明内容
-
专利说明
基于脑电波的人体疲劳度评价方法
基于脑电波的人体疲劳度评价方法[0002]疲劳是指机体在一定环境条件下，由于长时间或过度紧张的体力或脑力劳动引起的劳动效率趋向下降的状态。在医学上，按疲劳的性质，疲劳可分为生理疲劳和心理疲劳，对疲劳状态的评价可通过主观和客观的方法来进行。主观评测的方法主要依据主观调查表、自我记录表、睡眠习惯调查表和斯坦福睡眠尺度表等来测评被试者的疲劳程度。客观测评的方法主要从医学角度出发，借医用仪器、设备等辅助工具测试被试者的人体行为、生理、生化方面的某些指标的变化，从而确定其疲劳程度。[0003]主观评价方法虽然操作简单、直接、费用低廉、加之对任务完成无干扰、易被接受等优点，是一种被广为采用的评价疲劳的方法，但这种方法很难量化疲劳的等级和程度，又因每个人的理解有明显的差异，其结果往往不能令人满意。近年来，脑电图、眼电图、心电图等检测与分析技术取得了很大的进步，而且在脑力疲劳研究中，脑电现已成为最广泛的评价中枢神经系统变化的指标之一，被誉为检测疲劳的“金标准”。[0004]目前，在国内外利用脑电进行疲劳度研究已取得了一些有意义的成果。如在非线性动力学方面，吴祥宝等人将Lempel-Ziv复杂度用于脑电疲劳的分析中,Pincus等人提出了近似熵复杂度并将其应用于疲劳检测研究中，Richman等人提出的样本熵复杂度在疲劳检测中也有了比较广泛的应用。在功率谱分析方面，Murata等利用事件相关电位P300的幅度和潜伏期的长短对脑力疲劳进行分析，发现随着脑力疲劳程度的增加，潜伏期延长，幅度降低；Jung等用脑电功率谱对大脑警觉性水平进行分析，发现脑电功率谱能够反映大脑的疲劳状况。[0005]虽然脑电波已被用于疲劳的检测，但是这种测量方式依旧存在一些不足之处: 第一，测量疲劳的精确度不高，对个体的针对性不强，经常会出现假阳性现象； 第二，对人体的疲劳程度不能进行准确的判定，判定的出错率过大。
[0006]为了克服上述现有技术的不足，本发明提供了一种基于脑电波的人体疲劳度评价方法。此方法解决了传统方法中对个体的针对性不强，误判率过大，等级判定误差过大的问题。
[0007]本发明所采用的技术方案在于:通过采用多种疲劳测量的方法，把脑电特征参数作为PNN神经网络(概率神经网络)的输入，并通过PNN神经网络的输出来判定当前测试者的疲劳程度。PNN神经网络是一种常用于模式分类的神经网络，它不像传统的多层前向网络那样需要用BP算法进行反向误差传播的计算，而是完全前向的计算过程。它训练时间短、不易产生局部最优，而且它的分类正确率较高，无论分类问题多么复杂只要有足够多的训练数据，可以保证获得贝叶斯准则下的最优解，与现有技术相比，本发明在一定程度上提高了疲劳度评价的精确度，通用性增强，等级判定的出错率变小，评价结果具有准确性、可信性。
图1是系统框架图，图2是测试结果图。
[0008]1.通过干式电极接触大脑前额采集脑电信号，获得的原始数据会实时地传入到ThinkGear AM脑电芯片中，并且由芯片本身内置的算法进行处理，得到数字化的原始脑电波数据，包括S、Θ、慢α、快α、慢β、快β、慢Y、中Υ波8个EEG参数，以及“专注度”、“放松度”两个eSense参数，脑电芯片将处理后的数据以数据包的形式通过蓝牙发送到手机，并由相应的软件将数据解析出来，存入EXCEL表格中。
[0009]2.通过脑电波原始数据计算出以下四类信号，
(1)基于α波的复杂度、功率谱熵两种非线性参数；
(2)通过计算脑电波中δ波、Θ波、α波和β波4个基本节律的能量谱以得到疲劳指数F;
(3)根据脑电芯片内置算法所得到放松度和专注度的值均在1-100，测得多组数据求其平均值；
(4)由脑电芯片获取原始脑电信号的δ波、Θ波、α波、β波、y波，得到测量时间内5种波的变异系数。
[0010]3.利用MATLAB的神经网络工具进行网络的训练，
(1)将上述四种特征参数作归一化处理，我们将其中50组数据作为训练样本，剩余30组数据作为测试样本；
(2)将人体疲劳程度人为划分为5个等级，并由I飞这五个数值代替，对应关系如表一所示:
(3)产生训练集和测试集后，经训练得到的隐含层各节点的阈值及其与输入层的连接权值，以及隐含层与输出层之间的连接权值；
(4)利用测试组对建立的网络进行检验，得到结果如附图一所示。共有30组测试数据，根据测试结果，发现只有第4、8、12、17、23组，这5组的测试结果和预期结果相异，其余25组数据的结果和预期结果完全吻合，预测的正确率为83.3% ；
(5)结论:根据以上测试的结果，可以证明这种基于脑电波的人体疲劳度评价方法是确实可行的，但是由于本次测试的样本数较少，在一定程度上使得神经网络的训练不够全面，导致结果会存在一定的误差，如果增加训练的样本，本评价方法的误差将会进一步减小。
__表1疲劳等级划分_
疲方程度不疲方轻度疲方中度疲方重度疲方极度疲方
胃示数值Il 2|3|4|5
