一种基于脑电信号的战斗人员状态监测系统的制作方法
【专利摘要】本发明涉及一种利用战斗人员脑电信号判断其是否遭遇应急情况的方法及系统。本发明提出的方法不需要任何的肢体运动和语言，只需要记录战斗人员脑电信号，通过对对应脑电信号的分析分析战斗人员是否遭遇危机状况，辅助其做出迅速应对并发出警告，提醒其他人员。本发明属于认知神经科学、信息【技术领域】和自动控制领域的综合应用。
【专利说明】一种基于脑电信号的战斗人员状态监测系统
【技术领域】
[0001] 本发明涉及一种利用战斗人员脑电信号判断其是否遭遇特殊情况的方法及系统。 本发明提出的方法不需要任何的肢体运动和语言，只需要记录战斗人员脑电信号，通过对 对应脑电信号的分析分析战斗人员是否遭遇危机状况，辅助其做出迅速应对。本发明属于 认知神经科学、信息【技术领域】和自动控制领域的综合应用。
【背景技术】
[0002] 脑-机接口（BCI)可以在人脑和计算机或其他外界设备之间建立一种直接的信息 交流和控制通道，是一种不依赖与常规大脑输出通路（外围神经和肌肉组织）的全新的信 息交流系统。脑-机接口的基本原理是通过某种方式使大脑产生适合识别的脑电信号，并 通过信号处理和模式识别的方法将产生的脑电信号"翻译"成命令，从而实现脑-机交互。
[0003] 战斗人员尤其是地面战斗人员在战场执行作战任务时，比如敌后侦查、秘密潜入 等，会面临非常复杂的情况，很多情况都可能导致任务失败甚至危及战斗人员生命安全。很 多主动辅助侦查设备都需要充足的电能维持，考虑到单兵负重能力问题，不可能携带太大 型的能源供给设备，另外，战场环境的复杂性也会导致各种辅助侦查设备适用性降低，而且 会影响战斗人员的判断。这些因素都决定了单兵辅助设备应该向着轻量、简易以及低功耗 方向发展。因此，提出一种基于脑电信号的战斗人员状态监测系统，通过分析战斗人员遭遇 特殊状况时脑电信号特征变化情况辅助战斗人员做出合理应对，避免由于惊吓导致的反应 迟钝或错误应对带来的严重后果，成为本发明主要目的。
【发明内容】
[0004] 根据本发明要求，提供一种基于脑电信号的战斗人员状态监测系统，包括脑电采 集模块和脑电信号处理模块。所述，脑电采集模块用于实时采集战斗人员脑电信号并进行 放大和模数转换，通过数据线与脑电信号处理模块进行信号传输；所述脑电信号处理模块 用于接收脑电信号并且对脑电信号进行处理，识别战斗人员状态，并输出识别结果。
[0005] 本发明涉及一种基于脑电信号的战斗人员状态监测方法，所述方法包括：步骤1， 通过脑电采集模块实时采集战斗人员脑电信号并且进行放大和模数转换；步骤2,通过脑 电信号处理模块分析所述脑电信号以获得战斗人员当前状态信息并输出识别结果。
[0006] 所述，脑电采集模块包括采集电极和信号收集盒；所述，采集电极固定于战斗头盔 内部，战斗人员佩戴战斗头盔后，采集电极与战斗人员头皮接触，接触位置参考国际10-20 系统；所述，信号收集盒通过数据线与采集电极连接，用于接收电极采集到的战斗人员脑电 信，放大后输出待处理的脑电信号。
[0007] 所述，步骤2包括：步骤21，首次应用前训练分类模型；步骤22,将实时采集到的 战斗人员脑电数据输入训练后的分类模型并输出分类结果。
[0008] 所述，步骤21包括：步骤211，战斗人员在模拟战斗场景中完成预设任务，任务类 型包括正常类和应急类；步骤212,采用双线程模式记录数据，其中一个线程记录不同类型 任务的时间，另一个线程记录通过脑电采集模块采集的脑电信号；步骤213,完成预定轮数 任务后，按照不同任务发生的时间选取其对应的脑电信号片段，并分为正常类信号和应急 类信号；步骤214,对分类后的脑电信号进行预处理；步骤215,通过X 2特征提取法对预处 理之后的脑电信号进行分析，获得表征应急事件的主要脑电信号特征；步骤216,用两种任 务对应的脑电信号特征训练线性分类（LDA)模型。
[0009] 所述，步骤214包括：步骤2141，对信号进行低通滤波，滤除60Hz以上内容；步骤 2142,对训练数据执行独立成分分析法（ICA)，获得与通道数量相等的独立成分及解混矩 阵；步骤2143,根据各独立成分脑地图确定独立成分中与眨眼相关的干扰，并计算该独立 成分的近似熵值（ApEn)，确定眨眼相关干扰的近似熵阈值；步骤2144,去掉独立成分中的 眨眼干扰成分，再执行独立成分分析法的逆运算以获得滤波后的脑电数据。
[0010] 所述，步骤215包括：步骤2151，采用Welch经典谱估计法，分别计算两种不同类 型数据滤波后脑电信号的频谱特征，所述特征包括各通道S波（1-4Ηζ)，Θ波（4-8Ηζ)，α 波（8-14Ηζ)，β波（14-30ΗΖ)，γ波（30-60ΗΖ)的功率谱值叠加，特征数量=通道数*5 ;步 骤2152,通过X2特征提取法计算各特征的X 2值；步骤2153,将所有X 2值进行排列，取其 值最大的5个特征作为训练模型及最终识别所用的特征。
[0011] 所述，步骤22包括：步骤221，实时采集战斗人员脑电数据，以窗宽1.2s，步长 0. Is截取最新的脑电数据；步骤222,将最新采集到的1.2s数据以窗宽ls，步长0. Is分成 3段数据；步骤223,对所述3段数据进行预处理；步骤224,按照所述步骤215中选定的特 征，处理所述3段数据，获得对应特征；步骤225,将所述3段数据的特征输出所述步骤216 建立的线性分类模型中，得到3个分类结果；步骤226,将得到的3个结果进行投票，按照投 票结果确定所述I. 2s数据的最终判定结果。
[0012] 所述，步骤223包括：步骤2231，对所述3段数据进行低通滤波，滤除信号中60Hz 以上内容；步骤2232,通过步骤2142所得解混矩阵分别对3段数据进行处理，得到各自的 独立成分；步骤2233,计算各独立成分的近似熵值，再根据步骤2143中确定的近似熵阈值， 滤除独立成分中的眨眼干扰；步骤2234,执行独立成分分析的逆运算，获得3段滤波后的新 数据。
[0013] 本发明提出一种应用范围广泛、使用简便、准确率较高的战斗人员辅助方法，利用 战斗人员在执行任务过程中遭遇突发状况引起的脑电信号相关特征的变化判断战斗人员 状态。该系统可以应用于单兵作战辅助系统。对大多数战斗人员而言，在执行任务过程中 如果遭遇突发状况尤其是近距离与敌人遭遇后，不正当的反应将会导致严重后果，考虑到 作战环境的复杂性会影响其他辅助侦测手段的性能，因此，通过战斗人员自身经验及反应 作为预测战场中突发状况的依据，并能根据系统判断辅助战斗人员做出合理反应或发出预 警提醒其他战友，将会大大降低战场伤亡，对于发展先进单兵辅助系统具有重大意义。
【专利附图】
【附图说明】
[0014] 图1为本发明的工作系统框图；
[0015] 图2为本发明所需要采集的脑电信号对应的通道位置；
[0016] 图3为对原始数据执行独立成分分析之后获得的独立成分；
[0017] 图4为滤波前后各通道时域波形对比；
[0018] 图5为本发明分类模型训练框图；
[0019] 图6为本发明实时检测战斗人员状态框图；
【具体实施方式】
[0020] 该发明所描述的基于脑电信号进行状态监测的方法特别适用于战斗人员，本领域 技术人员可以根据该发明的基本设备和原理，进一步的扩展其他的单兵辅助系统。
[0021] 本发明的基本原理是当战斗人员在执行任务过程中遭遇突发状况的时候，不用通 过肢体或者语音动作，只需要通过脑电采集模块采集对应位置头皮上的脑电信号以及通过 脑电分析处理模块对采集的脑电信号进行分析处理，即可获得战斗人员的当前状态。
[0022] 下面结合附图和具体实施例对本发明提供的一种基于脑电信号的战斗人员状态 监测系统进行详细描述。
[0023] 同时，在这里做以说明的是，为了使实施例更加详尽，下面的实施例为最佳、优选 实施例，对于一些公知技术本领域技术人员也可采用其他替代方式而进行实施；而且附图 部分仅是为了更具体的描述实施例，而并不旨在对本发明进行具体的限定。
[0024] 本发明涵盖任何在本发明的精髓和范围上做的替代、修改、等效方法以及方案。为 了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而 对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。另外，为了避免对本 发明的实质造成不必要的混淆，并没有详细说明众所周知的方法、过程、流程、元件和电路 等。
[0025] 在本发明的实施例中，提出了一种基于脑电信号的战斗人员状态监测系统，参考 图1，该系统包括脑电采集模块、脑电分析处理模块。
[0026] 其中，脑电采集仪用于实时采集脑电信号并且进行放大和模数转换，通过数据线 与处理器进行数据传输。其中，考虑战斗人员遭遇突发事件后的一系列反应，主要涉及感 官、运动策划以及情感突变，所以根据" 10-20国际标准导联"，脑电采集电极放置在使用者 头部的 Cz、Pz、Fz、Oz、C3、C4、P3、P4、P7、P8、T7、T8、01、02、F3、F4 位置，将参考电极放置 在使用者耳垂上的All、A12位置（各电极位置如图2所示），所述各电极均安装于单兵作 战头盔内部，在战斗人员佩戴头盔后，头皮与电极接触。
[0027] 所述，脑电分析处理模块用于接收脑电信号，并且对脑电信号进行处理，判断使用 者的状态。
[0028] 所述，对脑电波进行处理包括：步骤1、分类模型训练；步骤2、实时监测战斗人员 状态。
[0029] 其中，步骤1具体如下：
[0030] 1)分类截取
[0031] 战斗人员在首次应用该系统前，首先完成模型训练过程。战斗人员首先完成虚拟 场景中的任务，任务类型包括普通类和突发类，同时记录战斗人员脑电信号。完成任务后， 根据场景中任务发生的时间截取战斗人员脑电数据并根据任务种类将脑电数据分为两组。
[0032] 2)滤波去噪
[0033] 由于采集到的脑电信号极易收到外界噪音干扰、使用者自身的眼动干扰等，所以 首先对分类后的脑电数据进行滤波处理，滤除眨眼干扰和高频干扰等，首先对数据进行带 通滤波，截止频率为60Hz。然后要滤除掉信号中的眨眼干扰，所用方法是首先对原始脑电数 据应用独立成分分析（ICA)，然后根据各独立成分的近似熵值排除信号中的眨眼干扰，最后 通过独立成分分析的逆运算得到滤波后的脑电信号。
[0034] 所述，独立成分分析法的具体过程如下：
[0035] 使用过程中电极总数为n，这η个电极可得到一组数据：
【权利要求】
1. 一种基于脑电信号的战斗人员状态监测系统，包括脑电采集模块和脑电信号处理模 块；其中，所述脑电采集模块用于实时采集战斗人员脑电信号并进行放大和模数转换，通过 数据线与脑电信号处理模块进行信号传输；所述脑电信号处理模块用于接收脑电信号并且 对脑电信号进行处理，识别战斗人员状态，并输出识别结果。
2. 根据权利要求1所述的基于脑电信号的战斗人员状态监测系统，其中，脑电采集模 块包括采集电极和信号收集盒；所述，采集电极固定于战斗头盔内部，配置位置参考国际 10-20系统；所述，信号收集盒通过数据线与采集电极连接，用于接收电极采集到的战斗人 员脑电信号。
3. 根据权利要求1所述的基于脑电信号的战斗人员状态监测系统，其中，脑电信号处 理模块用于对实时采集到的战斗人员脑电信号进行判断，并输出最终识别结果。
4. 一种基于脑电信号的战斗人员状态监测方法，包括： 步骤1，通过脑电采集模块实时采集战斗人员脑电信号并且进行放大和模数转换； 步骤2,通过脑电信号处理模块实时分析所述脑电信号以获得战斗人员当前状态信息 并输出识别结果。
5. 根据权利要求4所述的基于脑电信号的战斗人员状态监测方法，其中，步骤2包括： 步骤21，首次应用前训练分类模型； 步骤22,将实时采集到的战斗人员脑电数据输入训练后的分类模型并输出分类结果。
6. 根据权利要求5所述的基于脑电信号的战斗人员状态监测方法，其中，步骤21中，模 型训练过程包括： 步骤211，战斗人员在模拟战斗场景中完成预设任务，任务类型包括正常类和应急类； 步骤212,采用双线程模式记录数据，其中一个线程记录不同类型任务的时间，另一个 线程记录通过脑电采集模块采集的脑电信号； 步骤213,完成预定轮数任务后，按照不同任务发生的时间选取其对应的脑电信号片 段，并分为正常类信号和应急类信号； 步骤214,对分类后的脑电信号进行预处理； 步骤215,通过x 2特征提取法对预处理之后的脑电信号进行分析，获得表征应急事件 的主要脑电信号特征； 步骤216,用两种任务对应的脑电信号特征训练线性分类（LDA)模型。
7. 根据权利要求6所述的模型训练过程，其中，步骤214进一步包括： 步骤2141，对信号进行低通滤波，滤除60Hz以上内容；； 步骤2142,对训练数据执行独立成分分析法（ICA)，获得与通道数量相等的独立成分 及解混矩阵； 步骤2143,根据各独立成分脑地图确定独立成分中与眨眼相关的干扰，并计算该独立 成分的近似熵值（ApEn)，确定眨眼相关干扰的近似熵阈值； 步骤2144,去掉独立成分中的眨眼干扰成分，再执行独立成分分析法的逆运算以获得 滤波后的脑电数据。
8. 根据权利要求6所述的模型训练过程，其中，步骤215进一步包括： 步骤2151，采用Welch经典谱估计法，分别计算两种不同类型数据滤波后脑电信号 的频谱特征，所述特征包括各通道S波（l-4Hz)，0波（4-8Hz)，a波（8-14Hz)，0波 (14-30Hz)，Y波（30_60Hz)的功率谱值叠加，特征数量=通道数*5 ; 步骤2152,通过x 2特征提取法计算各特征的x 2值； 步骤2153,将所有x 2值进行排列，取其值最大的5个特征作为训练模型及最终识别所 用的特征。
9. 根据权利要求5所述的基于脑电信号的战斗人员状态监测方法，其中，步骤22中，实 时监测战斗人员状态的过程包括： 步骤221，实时采集战斗人员脑电数据，以窗宽1.2s，步长0. Is截取最新的脑电数据； 步骤222,将最新采集到的1. 2s数据以窗宽ls，步长0. Is分成3段数据； 步骤223,对所述3段数据进行预处理； 步骤224,按照所述步骤215中选定的特征，处理所述3段数据，获得对应特征； 步骤225,将所述3段数据的特征输出所述步骤216建立的线性分类模型中，得到3个 分类结果； 步骤226,将得到的3个结果进行投票，按照投票结果确定所述1.2s数据的最终判定结 果。
10. 根据权利要求9所述的实时监测战斗人员状态的过程，其中，步骤223中，对所述3 段数据进行预处理包括： 步骤2231，对所述3段数据进行低通滤波，滤除信号中60Hz以上内容； 步骤2232,通过步骤2142所得解混矩阵分别对3段数据进行处理，得到各自的独立成 分； 步骤2233,计算各独立成分的近似熵值，再根据步骤2143中确定的近似熵阈值，滤除 独立成分中的眨眼干扰； 步骤2234,执行独立成分分析的逆运算，获得3段滤波后的新数据。
【文档编号】A61B5/0476GK104490391SQ201410800035
【公开日】2015年4月8日 申请日期:2014年12月19日 优先权日:2014年12月19日
【发明者】毕路拯, 滕腾, 连金岭, 陆赟 申请人:北京理工大学