若干受试者的疲劳特征数据中挑选出适当的三个警觉度水平的训练数据，训练出三个HMM模型，用于警觉度分类，即确定疲劳等级。然而，警觉度也可以划分为其它数目的疲劳等级，例如I?9、I?100、甚至更多个疲劳等级。疲劳等级的数值越大表示越疲劳，例如当采用I?9的疲劳等级时，可以根据具体需求设定疲劳等级低于某个具体数值为非疲劳状态，例如可以设定疲劳等级低于6表示个体处于非疲劳状态，疲劳等级为6表示个体处于轻微疲劳状态，疲劳等级超过6表示个体进入疲劳状态。当疲劳等级确定装置207确定受个体进入疲劳状态时，可以根据不同的疲劳程度和具体需求采用不同层次的报警方式进行报警。
[0063]在上文中参照图2中所示的特定实施方式描述了根据本公开的疲劳检测系统的原理。然而本领域技术人员能够理解的是，根据本公开的疲劳检测系统并不限于上述具体结构，而是以权利要求所限定的范围为准。根据不同的需求，本领域技术人员容易想到省略或添加一个或多个模块。
[0064]由于脑电信号中的低频脑电信号(尤其是其中的慢速眼电信号)与疲劳密切相关，所以采用与低频脑电信号相关的疲劳特征进行疲劳检测能够进一步提高疲劳检测的准确性。
[0065]此外，虽然在上文中根据单通道脑电信号对本公开的原理进行了说明，但是本公开的疲劳检测系统和方法也适用于利用多通道脑电信号来进行疲劳检测，在本文中并不进行限定。
[0066]显然，本领域的技术人员应该明白，上述的本公开的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本公开不限制于任何特定的硬件和软件结合。
[0067]已经出于示出和描述的目的给出了本公开的说明书，但是其并不意在是穷举的或者限制于所公开形式的发明。本领域技术人员可以想到很多修改和变体。因此，实施方式是为了更好地说明本公开的原理、实际应用以及使本领域技术人员中的其他人员能够理解以下内容而选择和描述的，即，在不脱离本公开精神的前提下，做出的所有修改和替换都将落入所附权利要求定义的本公开保护范围内。
【主权项】
1.一种基于脑电信号的疲劳检测方法，包括: 获取预定时间段内的脑电信号； 提取与所述脑电信号中的低频脑电信号相关的疲劳特征；以及 根据所述疲劳特征确定疲劳等级。
2.根据权利要求1所述的疲劳检测方法，还包括对获取的所述脑电信号进行预处理，其中所述预处理包括: 去除所述脑电信号中的幅度异常的信号，以产生剩余信号； 对所述剩余信号进行标准化处理，以产生标准化信号；以及 对所述标准化信号进行平滑滤波以滤除所述标准化信号中的基线漂移信号。
3.根据权利要求2所述的疲劳检测方法，还包括对经预处理的所述脑电信号进行噪音检测和去除，其中所述噪音检测和去除包括: 将所述脑电信号划分为多个分段； 分别对各个分段进行噪音检测，以确定是否存在明显漂移信号；以及 采用移动中值滤波对存在明显漂移信号的分段进行去漂移。
4.根据权利要求1所述的疲劳检测方法，其中提取所述疲劳特征进一步包括: 将所述脑电信号划分为多个分段； 分别提取与各个分段相关的所述疲劳特征；以及 计算与各个分段相关的所述疲劳特征的平均值作为与所述低频脑电信号相关的所述疲劳特征。
5.根据权利要求1所述的疲劳检测方法，其中所述疲劳特征包括静态疲劳特征。
6.根据权利要求5所述的疲劳检测方法，还包括对提取的静态疲劳特征进行特征平滑，其中特征平滑包括: 利用当前预定时间段的静态疲劳特征以及所述当前预定时间段之前的多个时间段的静态疲劳特征，通过移动加权平均法计算所述当前预定时间段的经平滑的静态疲劳特征。
7.根据权利要求5所述的疲劳检测方法，所述疲劳特征还包括用于表征静态疲劳特征的变化趋势的一阶差分动态特征。
8.根据权利要求7所述的疲劳检测方法，还包括: 采用线性判别分析法对由静态疲劳特征和一阶差分动态特征形成的特征向量进行特征选择，以选择出与疲劳相关的特征分量并且去除与疲劳无关的特征分量。
9.根据权利要求5至8中任一项所述的疲劳检测方法， 其中所述静态疲劳特征包括慢速眼电信号的相对功率和/或重心频率； 其中所述相对功率是所述慢速眼电信号的绝对功率与所述低频脑电信号的绝对功率的比值； 其中所述慢速眼电信号的频率范围为a Hz至b Hz，其中0.1 <a<0.5且0.8<b<1.5 ;并且 其中所述低频脑电信号的频率范围为a Hz至c Hz，其中2 < c < 6。
10.根据权利要求9所述的疲劳检测方法，根据所述疲劳特征确定疲劳等级进一步包括: 根据所述相对功率与所述重心频率的比值确定所述疲劳等级。
11.根据权利要求1所述的疲劳检测方法，其中根据所述疲劳特征确定疲劳等级进一步包括: 根据所述疲劳特征，采用隐马尔可夫模型来确定所述疲劳等级。
12.一种基于脑电信号的疲劳检测系统，包括: 脑电信号获取装置，用于获取预定时间段内的脑电信号； 疲劳特征提取装置，用于提取与所述脑电信号中的低频脑电信号相关的疲劳特征；以及 疲劳等级确定装置，用于根据所述疲劳特征确定疲劳等级。
13.根据权利要求12所述的疲劳检测系统，还包括预处理装置，所述预处理装置用于对获取的所述脑电信号进行预处理，其中所述预处理包括: 去除所述脑电信号中的幅度异常的信号，以产生剩余信号； 对所述剩余信号进行标准化处理，以产生标准化信号；以及 对所述标准化信号进行平滑滤波以滤除所述标准化信号中的基线漂移信号。
14.根据权利要求13所述的疲劳检测系统，还包括噪音检测和去除装置，所述噪音检测和去除装置用于对经预处理的所述脑电信号进行噪音检测和去除，其中所述噪音检测和去除包括: 将所述脑电信号划分为多个分段； 分别对各个分段进行噪音检测，以确定是否存在明显漂移信号；以及 采用移动中值滤波对存在明显漂移信号的分段进行去漂移。
15.根据权利要求12所述的疲劳检测系统，其中所述疲劳特征提取装置进一步包括: 分段装置，用于将所述脑电信号划分为多个分段； 分段特征提取装置，用于分别提取与各个分段相关的所述疲劳特征；以及均值计算装置，用于计算与各个分段相关的所述疲劳特征的平均值作为与所述低频脑电信号相关的所述疲劳特征。
16.根据权利要求12所述的疲劳检测系统，其中所述疲劳特征包括静态疲劳特征。
17.根据权利要求16所述的疲劳检测系统，还包括特征平滑装置，所述特征平滑装置用于对提取的静态疲劳特征进行特征平滑，其中特征平滑包括: 利用当前预定时间段的静态疲劳特征以及所述当前预定时间段之前的多个时间段的静态疲劳特征，通过移动加权平均法计算所述当前预定时间段的经平滑的静态疲劳特征。
18.根据权利要求16所述的疲劳检测系统，所述疲劳特征还包括用于表征静态疲劳特征的变化趋势的一阶差分动态特征。
19.根据权利要求18所述的疲劳检测系统，还包括: 特征选择装置，用于采用线性判别分析法对由静态疲劳特征和一阶差分动态特征形成的特征向量进行特征选择，以选择出与疲劳相关的特征分量并且去除与疲劳无关的特征分量。
20.根据权利要求16至19中任一项所述的疲劳检测系统， 其中所述静态疲劳特征包括慢速眼电信号的相对功率和/或重心频率； 其中所述相对功率是所述慢速眼电信号的绝对功率与所述低频脑电信号的绝对功率的比值； 其中所述慢速眼电信号的频率范围为a Hz至b Hz，其中0.1 <a<0.5且0.8<b<1.5 ;并且 其中所述低频脑电信号的频率范围为a Hz至c Hz，其中2 < c < 6。
21.根据权利要求20所述的疲劳检测系统，其中所述疲劳等级确定装置进一步用于根据所述相对功率与所述重心频率的比值确定所述疲劳等级。
22.根据权利要求12所述的疲劳检测系统，其中所述疲劳等级确定装置根据所述疲劳特征，采用隐马尔可夫模型来确定所述疲劳等级。
【专利摘要】本公开的实施方式提供了一种基于低频脑电信号的疲劳检测方法及系统，该方法包括：获取预定时间段内的脑电信号；提取与所述脑电信号中的低频脑电信号相关的疲劳特征；以及根据所述疲劳特征确定疲劳等级。由于低频脑电信号与疲劳密切相关，所以采用与低频脑电信号相关的疲劳特征进行疲劳检测能够进一步提高疲劳检测的准确性。
【IPC分类】G06F19-00, A61B5-16, A61B5-0476
【公开号】CN104720799
【申请号】CN201510161555
【发明人】廖春平, 夏鹏, 刘艳芳, 董记平
【申请人】上海帝仪科技有限公司
【公开日】2015年6月24日
【申请日】2015年4月3日