一种通过EEG信号识别疲劳状态的方法

本发明涉及脑电波分析、脑机接口，具体是涉及一种通过eeg信号识别疲劳状态的方法。

背景技术：

1、利用脑电波研究疲劳状态是一种前沿且重要的技术。脑电波eeg，是大脑神经细胞电活动所产生的电位变化记录，它反映了大脑的功能状态。近年来，随着神经科学和电子技术的不断发展，脑电波分析技术已经逐渐应用于多个领域，其中包括疲劳状态的评估。

2、疲劳状态是人体在长时间工作、学习或体力活动后出现的一种生理和心理状态，表现为注意力不集中、反应迟钝、情绪低落等。对于特定人群，如运动员、驾驶员、夜班工作者等，疲劳状态可能导致严重的后果，如运动损伤、交通事故等。因此，准确、实时地评估疲劳状态对于预防相关风险、提高工作效率具有重要意义。

3、脑电波分析技术为疲劳状态的研究提供了新的手段。不同的脑电波频率成分与不同的生理和心理状态密切相关。例如，α波通常与放松和休息状态相关，而β波则与活跃和兴奋状态相关。当人体处于疲劳状态时，脑电波的频率和振幅往往会发生特定的变化。因此，通过分析这些变化，可以推断出人体的疲劳状态。

4、eeg外在表现形式是任意电极之间的电压差，即eeg是一种时序信号。时域尺度特征能够直观反映时序eeg信号中蕴含的信息。在疲劳脑电的研究中，如何准确的运用特征值来判断疲劳状态十分重要。目前研究脑电疲劳信号的特征值一般有：均值、方差、标准差、幅度、hjorth参数(描述eeg单通道的三个时域特征集)、功率谱熵、香农熵等。但仅使用单一特征值作为评判是否疲劳的标准过于片面和局限，因为脑电信号(eeg)作为一种复杂的生物电活动，其背后蕴含着多层次、多维度的信息。单一特征值往往只能捕捉到信号某一方面的特性，而忽略了其他可能同样重要或互补的信息。例如，均值虽然能反映信号的整体水平，却难以体现信号的波动性和动态变化；方差和标准差虽然能度量信号的离散程度，但在面对复杂多变的疲劳状态时，可能无法精确捕捉到细微的差异。另外，不同受试者受到个体差异或者皮肤接触电阻等多种因素影响，如果用一个恒定的阈值对其做区分，判断结果的准确性很难保证。

技术实现思路

1、发明目的：本发明目的在于针对现有技术的不足，提供一种通过eeg信号识别疲劳状态的方法，综合考虑eeg信号的多个特征值，利用它们之间的相互作用和互补性，来构建更为全面和精细的疲劳评估模型，提高疲劳状态判断的准确性和可靠性。

2、为了实现上述目的，本发明提供一种通过eeg信号识别疲劳状态的方法，包括如下步骤：

3、s1、采集eeg信号，并从中提取出多种特征值，用作构建样本；

4、s2、构建浅层神经网络，样本的各特征值历经该浅层神经网络的输入层、隐藏层及输出层的运算，由输出层输出预测结果；

5、s3、对预测结果作归一化处理，归一化处理结果即是否疲劳的判定结果。

6、本发明进一步优选地技术方案为，步骤s1所述采集eeg信号，并从中提取出多种特征值，用作构建样本，包括：

7、s11、采集eeg信号；

8、s12、根据采集的eeg信号，计算hjorth参数、功率谱熵和香农熵；

9、s13、将hjorth参数、功率谱熵、香农熵以及eeg信号值按序排列，构成样本。

10、作为优选，步骤s11中采用10-20国际标准导联系统采集eeg信号。

11、作为优选，步骤s12中根据采集的eeg信号，计算hjorth参数的方法为：

12、hjorth参数包括三个主要参数：活动度a，移动度m和复杂度c；

13、活动度a的计算式为：

14、

15、移动度m的计算式为：

16、

17、复杂度c的计算式为：

18、

19、各式中，n为采样点个数，s(n)为采样值，μ,表示信号平均值，s7(n)表示s(n)一阶导数，var表示方差。

20、作为优选，步骤s12中根据采集的eeg信号，计算功率谱熵的方法为：

21、对于一个不确定性系统，用随机变量x(n)表示其状态的特征，x(n)的取值为{x(n)|n＝1,2,…,n}(n≥1)；{p(n)|n＝1,2,…,n}为该系统每个状态特征对应的取值概率，有0≤p(n)≤1,(n＝1,2,…,n)，且

22、假设一信号的离散傅立叶变换为x(ωn)，角频率fs为采样频率，n为采样点数，n＝1,2,…,n；功率谱密度将按照总的谱功率进行归一化，得到功率谱密度分布函数则功率谱熵计算公式为：

23、

24、作为优选，步骤s12中根据采集的eeg信号，计算香农熵的方法为：

25、香农熵计算公式为：

26、

27、其中，p(xu)为不同信息出现的概率。

28、作为优选，步骤s2中构建的浅层神经网络包括输入层、隐藏层及输出层；样本的n个特征值xn历经输入层、隐藏层及输出层的运算，由输出层输出预测结果；

29、该浅层神经网络的数学模型的计算式为：

30、z[/]＝w[/]x[/]+b[/]；

31、其中，z为神经元输出结果，n为神经网络层数，w和b为此神经元的权重信息，x[/]为此神经元的输入特征值；

32、为z经过激活函数后输出的结果，表示为：

33、

34、表示激活函数，激活函数根据网络结构选择。

35、作为优选，步骤s3中对预测结果作归一化处理，归一化算法计算公式为：

36、

37、输出层输出预测结果z[/]≥0.55判定为属于疲劳状态，z[/]<0.55判定为非疲劳状态。

38、有益效果：本发明提供的通过eeg信号识别疲劳状态的方法，综合考虑多个特征值，利用它们之间的相互作用和互补性，来构建更为全面和精细的疲劳评估模型。这样的模型不仅能够更准确地反映eeg信号中的疲劳特征，还能更好地适应不同个体之间的差异，从而提高疲劳监测的实用性和有效性。

技术特征：

1.一种通过eeg信号识别疲劳状态的方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的通过eeg信号识别疲劳状态的方法，其特征在于，步骤s1所述采集eeg信号，并从中提取出多种特征值，用作构建样本，包括：

3.根据权利要求2所述的通过eeg信号识别疲劳状态的方法，其特征在于，步骤s11中采用10-20国际标准导联系统采集eeg信号。

4.根据权利要求2所述的通过eeg信号识别疲劳状态的方法，其特征在于，步骤s12中根据采集的eeg信号，计算hjorth参数的方法为：

5.根据权利要求2所述的通过eeg信号识别疲劳状态的方法，其特征在于，步骤s12中根据采集的eeg信号，计算功率谱熵的方法为：

6.根据权利要求2所述的通过eeg信号识别疲劳状态的方法，其特征在于，步骤s12中根据采集的eeg信号，计算香农熵的方法为：

7.根据权利要求1所述的通过eeg信号识别疲劳状态的方法，其特征在于，步骤s2中构建的浅层神经网络包括输入层、隐藏层及输出层；样本的n个特征值x[/]历经输入层、隐藏层及输出层的运算，由输出层输出预测结果；

8.根据权利要求7所述的通过eeg信号识别疲劳状态的方法，其特征在于，步骤s3中对预测结果作归一化处理，归一化算法计算公式为：

技术总结
本发明公开一种通过EEG信号识别疲劳状态的方法，包括步骤：采集EEG信号，并从中提取出多种特征值，用作构建样本；构建浅层神经网络，样本的各特征值历经该浅层神经网络的输入层、隐藏层及输出层的运算，由输出层输出预测结果；对预测结果作归一化处理，归一化处理结果即是否疲劳的判定结果。本发明提供的通过EEG信号识别疲劳状态的方法，综合考虑多个特征值，利用它们之间的相互作用和互补性，来构建更为全面和精细的疲劳评估模型。这样的模型不仅能够更准确地反映EEG信号中的疲劳特征，还能更好地适应不同个体之间的差异，从而提高疲劳监测的实用性和有效性。

技术研发人员：戴修斌,陈念念,徐欣,范秋云,张蓓,郜海澎
受保护的技术使用者：南京邮电大学
技术研发日：
技术公布日：2025/3/24