融合脑电信号与生理信号的疲劳检测系统的制作方法

本发明涉及疲劳检测系统，特别是一种融合脑电信号与生理信号的疲劳检测系统。

背景技术：

目前疲劳状态的检测可以分为主观界定和客观评定两种。其中，主观方式主要包括艾森克个性问卷(EPQ)、简易应对方式问卷、症状自评量表(SCL-90)、心理自评量表(SAS)、抑郁量表(HAMD)等；客观评定主要包括基于表情特征、基于生理特征和基于行为特征等手段，通过信号采集、分析处理、特征提取与分类识别，最终完成基于单一特征的疲劳监测。

主观界定能够一定程度的体现状态改变的原因，但易受主观因素的干扰，飞行员处于生理或者心理状态不佳时，不能确定对自我状态的正确评估能力；常用的客观评定基本上是基于单一特征的信息处理，不能完全准确的实现操作者的状态监测。

技术实现要素：

针对上述情况，为克服现有技术之缺陷，本发明提供一种融合脑电信号与生理信号的疲劳检测系统，采用与精神状态有密切联系，且能更直接、客观地反映出大脑本身的活动，有着更高的时间分辨率的脑电信号，同时融合心电、眼电、肌电、呼吸、血压、体温等其它生理方法，能够实现任务状态的实时监测，提高疲劳检测系统的效能，进而充分实现系统全面、动态的优势组合。

本发明的技术方案是，包括采集人体信号的信号采集单元，所述信号采集单元包括采集脑电信号的脑电采集单元、采集心电信号的心电采集单元和采集肌电信号的肌电采集单元，用于接收和处理人体信号的信号处理单元，还包括根据信号处理单元处理过的信号用于标定是否疲劳的疲劳标定单元。

所述信号处理单元对脑电信号处理时，首先对脑电信号β波进行分解去噪预处理，然后对预处理后的脑电信号进行C0复杂度、KC复杂度的特征提取；C0复杂度计算序列功率谱的均方值，高于均方值的部分保持不变，而低于均方值的部分置为零，计算新的信号频谱的傅里叶逆变换，得到新的时间序列，新时间序列与原时间序列之差的平方和和原信号的平方和之比，即，非规则成分在原始信号中占得比例；计算一个序列KC复杂度的步骤如下：

(1)设时间序列{X₁,X₂,…X_n}，计算时间序列的均值把序列中大于平均值的X_i用1代替，小于等于平均值的X_i用0代替，构建新的序列i∈(1,2,…)；

(2)对序列S＝{S₁,S₂,…S_m}，Q＝{S_m+1,…S_m+i}，i∈(1,2,…)，构建新的序列SQ＝{S₁,S₂,…S_m,S_m+1,…S_m+i}i∈(1,2…)，SQv＝SQ-S_m+i＝{S₁,S₂,…S_m,S_m+1,…S_m+i},i∈(1,2…)；

(3)当Q∈SQv，Q复制在其后，当时，在Q中加“·”称为插入；

(4)重复(3)过程，到序列结束；

(5)计算复杂度c(n)，

(6)计算KC复杂度：

以上在对脑电信号分析时，提取的特征值为C0复杂度、KC复杂度。

所述信号处理单元对心电信号处理时，先使用小波算法对脑电信号进行预处理，进行预处理之后，对心电特征的提取有心率平均值SDNN以及P、Q、R、S、T波的时域和频域特征值，心电信号特征提取算法流程为：(1)首先进行小波分解，根据小波系数求出正负极大值对，正负极值对过零的点即为R波峰值点，然后再根据QRS波群的波形特征及正负极大值对，判断出QRS波群的起止点；(2)求出RR间期的平均值，若某一个RR间期的值小于0.4倍的RR间期平均值，则去掉幅值小的R波点，若两个R波间期的值大于1.6倍的RR间期平均值，则检测到这两个RR波间幅值最大的点，添加这个R点；(3)检测从QRS波群的起始位置的点到R波幅值最小值点就是Q波点，相应地，检测从R波点到QRS波群的终止点的幅值最小值点即为S波点。(4)检测上一个QRS波群的终止点和下一个QRS波群的起始点之间波段的极值点。若接近于上一个QRS波群的终止点，则该点为T波点，若接近于下一个QRS波群的起始点，则该点为P波点；

心率平均值表示在采集心电的这段时间里，心率的均值。计算公式：

SDNN指的是R-R间期的标准差，其中公式中参数ti指每次R-R间期的值，参数t指心率平均值：

所述信号处理单元对肌电信号处理时，根据肌电信号的幅值和频率范围，采用小波去噪去除高频部分噪声和中值滤波器去除基线漂移的方法进行预处理，然后提取肌电信号中的时域和频域特征。

所述人体信号采集单元采集脑电信息、心电信息和肌电信息。

所述人体信号采集单元还采集呼吸信息、血氧信息以及姿态信息。

所述信号采集单元包括脑电放大器、心电和肌电一体采集器、血氧仪采集器和姿态惯导模块。

本发明以脑电信号为主、多种其它生理信号为辅进行疲劳度的判定，准确度高。

附图说明

图1为本发明脑电信号原始脑电波形和去噪后脑电波形的对比图。

图2为本发明中原始心电信号和去噪后的心电信号波形的对比图。

图3为原始肌电信号、小波去除高频噪声后的波形和中值滤波去除基线漂移后波形的对比图。

图4为去噪后心电信号R波检测结果图。

具体实施方式

以下结合附图1至图4对本发明的具体实施方式作进一步详细说明。

其技术方案是，本发明先通过脑电放大器、心电和肌电一体采集器对人体的脑电、心电和肌电进行采集，然后将采集到的信号输送到信号处理单元，信号处理单元分别对脑电、心电和肌电进行处理，将处理后的数据输送到疲劳标定单元，进行疲劳的标定。

本发明设计脑电信号、心电、肌电、呼吸和血氧的信号采集装置，通过USB接口和无线传输两种途径实现信号获取。血氧饱和度：针对低血流灌注、运动和皮肤湿度、杂散光干扰、碳氧血红蛋白和高铁血红蛋白干扰等等问题，设计血氧仪时使用指夹式光电容积脉搏波传感器，对血氧饱和度的测量精度为±1％，测量范围：50-100％。姿态：采用惯导模块IMU6050采集身体相关的关节角度以及运动的角加速度和线加速度，通过设计算法实现姿态信息的捕捉。

所述信号处理单元先进行硬件预处理，实现缓冲与低通滤波，其次，对多为神经信号分别进行特征提取，分别采用时域、频域的提取方法，筛选特征向量，传递给分类评定算法，采用线性LDA分类器和SVM两种算法进行疲劳等级分类。根据离线数据先建立疲劳等级数据库，通过特征提取到特征向量输入分类器中训练，最后进形疲劳度标定。

本发明中的技术流程：

1)实验范式设计：设计任务场景和类别数量，用于训练和测试的样本数量。

2)原始数据获取：获取导联数目、采样率、服务器IP地址、端口号。

3)预处理：采样率变换参数、是否滤波(低通、高通频率参数)、去噪声方法选择、分段选择(根据事件分段或者采用移动窗口技术)、滑动窗口大小和距离。

4)特征提取：设计小波包、CSP等算法，获取每种方法所应设置的相应参数以及特征向量总数。

5)特征选择：特征向量优化，设置需要保留的特征数或者保留原来特征的百分比、特征选择的方法选择。

6)模式分类：训练方法的选择、各种分类方法需要的参数设置、选择模式分类方法、训练好的模型文件。随机选取多名被试采用疲劳评定量表进行初步评定得到多被试的评定结果，再采用脑电信号以及生理信号进行疲劳信息提取，根据已训练的疲劳模型进行比对，得到疲劳度评定结果，相互验证。

本发明采用客观的途径对疲劳状态进行监控、评估，融合具有表征优势的脑电信号以及心电信号、肌电信号、呼吸、血压、眼动等多源信息成分，增强了疲劳检测与恢复的准确性与快速性；融合脑电信号与生理信号为一体的信号采集装置，实现了疲劳检测系统的小型化、便携式与低功耗；通过多维信息的综合分析，实现了疲劳状态的预测。

本发明融合脑电信号与肌电信号、心电信号、呼吸、血氧、眼动等生理信号，可以实现对疲劳状态的实时检测，根据疲劳特征值可以实现对清醒、轻度疲劳和重度疲劳三种状态的评定。该疲劳检测系统具有便携式、低功耗和小型化的特点，能够应用在条件恶劣的环境中，具有较高的应用价值。

本发明脑电信号的四种节律分别体现人体的不同状况：δ波是指人体处于无意识情形；θ波指大脑处于轻松的环境；α波大脑思维清晰，学习和思考快速，敏捷；β波主要体现在人体紧张时的脑电变化。针对原始脑电信号，利用β波进行分析。脑电原始信号和通过小波db4进行5层分解去噪后的对比图，如图1所示。脑电信号的幅值范围在0～100μV之间，信号非常微弱，容易受到50Hz工频，采集线抖动等外界因素的干扰。脑电信号具有非平稳性，对于脑电信号特征提取采用了C0复杂度、KC复杂度。C0复杂度表示的是信号中非规则成分所占的比例，脑电信号是非线性信号，大脑活动越强烈，非规则成分越高，即C0复杂度的值越大。KC复杂度从测量信号的随机序列的复杂性程度，心理压力越大，脑电复杂度更强，KC复杂度值更大。

本发明在对心电信号进行预处理时，采用小波算法进行预处理，对比图如图2所示，心电信号是具有一定规律性的生理信号，一个循环周期内包含P、Q、R、S、T五种波形，正常人的五种波形的周期在0.75s，所以我们可以根据一个人的心电波形幅值和波形形态以及一个周期的时间来判断其心脏是否正常。去噪后的心电信号R波检测结果如图4所示。

本发明在对肌电信号进行处理时，表面肌电信号是一种不规则的信号，幅值范围在0～1.5mv，主要频率范围为0～150Hz。根据肌电信号的幅值和频率范围，主要采用小波去噪去除高频部分噪声和中值滤波器去除基线漂移的方法进行预处理。肌电信号预处理前后的波形如图3所示。肌电信号的特征主要为时域和频域特征。肌电信号在压力增大的情况下，幅值波动明显要比压力小的状态下大，本文提取肌电信号的特征值有表示肌电信号均值、方差、幅值最大值、最小值以及二阶差分的均值、方差最大值、最小值等。

目前针对清醒状态和疲劳状态的大量数据(此数据可以是根据每个人定制的个人清醒状态和疲劳状态数据库)，提取生理信号的C0复杂度、KC复杂度等特征，通过SVM分类器进行分类，简历清醒和疲劳模型，再进一步根据实时脑电信号以及其他生理信号进行疲劳度分析，通过脑电信息进行判断是否疲劳，然后再通过分别提取的心电、肌电、呼吸、血氧以及姿态等信息进行分别判断是否疲劳，对使用脑电的判断进行反向验证。通过心电、肌电、呼吸、血氧以及姿态等多维生理信号的融合，实现疲劳度的精确评定。