一种大脑状态监测装置及其控制方法与流程

本发明实施例涉及脑电技术领域，具体涉及一种大脑状态监测装置及其控制方法。

背景技术：

大脑意识状态对于人们工作和生活至关重要，目前对于人们大脑意识状态的监测主要通过核磁共振、近红外成像、pet(positronemissioncomputedtomography，正电子发射型计算机断层显像)等大型脑检测方式进行。采用这些技术一般价格比较昂贵，而且只能短时间检测，便携性差，无法适用于人们普通的工作和生活场景。

技术实现要素：

为此，本发明实施例提供一种大脑状态监测装置及其控制方法，以解决现有技术中无法长时间、便携式地监测大脑意识状态的的问题。

为了实现上述目的，本发明实施例提供如下技术方案：

根据本发明实施例的第一方面，提供了一种大脑状态监测装置，包括脑电采集模块、信号处理模块、意识状态级别判断模块、分级处理模块和信息上传模块；

其中，所述脑电采集模块用于采集佩戴者的脑电信号；

所述信号处理模块用于对采集到的脑电信号进行处理，得到处理后的脑电信号；

所述意识状态级别判断模块用于对处理后的脑电信号进行级别判断；

所述分级处理模块用于对根据级别判断后的脑电信号获得的佩戴者的大脑状态进行分级处理；

所述信息上传模块用于将分级处理后的脑电信号和佩戴者的大脑状态发送给服务器。

进一步地，还包括噪声识别标定模块，所述噪声识别标定模块用于对所述脑电采集模块采集的脑电信号中无法处理的信号噪声做识别和标记。

进一步地，还包括信号窄带处理模块，所述信号窄带处理模块用于对所述噪声识别标定模块处理后的全频带信号做窄带化处理。

进一步地，还包括信号重构模块，所述信号重构模块用于对窄带化处理后的信号进行重构。

进一步地，还包括信号熵处理模块，所述信号熵处理模块用于对重构后的信号进行熵处理。

进一步地，还包括小波模块，所述小波模块用于对所述噪声识别标定模块处理后的信号进行小波分析。

进一步地，还包括特征参数计算模块，所述特征参数计算模块用于计算各个节律的特征参数。

进一步地，还包括svm(supportvectormachines，支持向量机)模块，所述svm模块用于建立svm支持向量机模型。

根据本发明实施例的第二方面，提供了一种大脑状态监测装置的控制方法，方法包括：

采集佩戴者的脑电信号；

对采集到的脑电信号进行处理，得到处理后的脑电信号；

对处理后的脑电信号进行级别判断；

对根据级别判断后的脑电信号获得的佩戴者的大脑状态进行分级处理；

将分级处理后的脑电信号和佩戴者的大脑状态发送给服务器。

进一步地，在对处理后的脑电信号进行级别判断之前，还包括：对所述脑电采集模块采集的脑电信号中无法处理的信号噪声做识别和标记。

本发明实施例具有如下优点：

本发明实施例提供的大脑状态监测装置，通过脑电采集模块采集佩戴者的脑电信号，通过信号处理模块对采集到的脑电信号进行处理，得到处理后的脑电信号，并通过意识状态级别判断模块和分级处理模块分别进行级别判断和分级处理获得佩戴者的大脑状态，从而对佩戴者的个体状况进行分级控制，预防事故发生，且通过信息上传模块将分级处理后的脑电信号和佩戴者的大脑状态发送给服务器，可为佩戴者建立个人档案，为佩戴者提供个性化服务，使得大脑状态监测装置更加的具有针对性。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1为根据一示范性实施例示出的一种大脑状态监测装置的控制方法流程图；

图2为根据另一示范性实施例示出的一种大脑状态监测装置的控制方法流程图；

图3为根据另一示范性实施例示出的一种大脑状态监测装置检测的意识状态的曲线图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例中的大脑状态监测装置包括安全帽、安全头盔等对头部进行保护的装置。

根据本发明实施例的第一方面，提供了一种大脑状态监测装置，包括脑电采集模块、信号处理模块、意识状态级别判断模块、分级处理模块和信息上传模块；

其中，所述脑电采集模块用于采集佩戴者的脑电信号；

所述信号处理模块用于对采集到的脑电信号进行处理，得到处理后的脑电信号；

所述意识状态级别判断模块用于对处理后的脑电信号进行级别判断；

所述分级处理模块用于对根据级别判断后的脑电信号获得的佩戴者的大脑状态进行分级处理；

所述信息上传模块用于将分级处理后的脑电信号和佩戴者的大脑状态发送给服务器。

本发明实施例提供的大脑状态监测装置，通过脑电采集模块采集佩戴者的脑电信号，通过信号处理模块对采集到的脑电信号进行处理，得到处理后的脑电信号，并通过意识状态级别判断模块和分级处理模块分别进行级别判断和分级处理获得佩戴者的大脑状态，从而对佩戴者的个体状况进行分级控制，预防事故发生，且通过信息上传模块将分级处理后的脑电信号和佩戴者的大脑状态发送给服务器，可为佩戴者建立个人档案，为佩戴者提供个性化服务，使得大脑状态监测装置更加的具有针对性。

在一些可选实施例中，还包括噪声识别标定模块，所述噪声识别标定模块用于对所述脑电采集模块采集的脑电信号中无法处理的信号噪声做识别和标记。

通过噪声识别标定模块，可对信息处理模块无法处理的信号噪声做识别和标记。

在一些可选实施例中，还包括信号窄带处理模块，所述信号窄带处理模块用于对所述噪声识别标定模块处理后的全频带信号做窄带化处理。

其中，窄带化处理可采用包络法，利用极值法求得信号的上包络点和下包络点，或者采用频率变换法，其中采用频率变化法时，对时域信号做频率变换，按照需求，只保留所需要频段的系数，其他频段系数置零即可。

在一些可选实施例中，还包括信号重构模块，所述信号重构模块用于对窄带化处理后的信号进行重构。

其中，重构可采用包络法，对上包络点和下包络点构成的数据做样条插值，构成高频频带的重构数据；原始数据减去重构的高频频带数据，做下一级低频的窄带化处理，直到信号呈现单调性，结束窄带化过程，或者采用频率变换法，按照需求，只保留所需要频段的系数，其他频段系数置零；对频域信号做逆变换，重构到时域。

在一些可选实施例中，还包括信号熵处理模块，所述信号熵处理模块用于对重构后的信号进行熵处理。

其中，信号熵处理模块通过近似熵、样本熵、均值、方差、标准差等方式实现，其中，采用样本熵的方法如下：

设给定的一个时间序列长度大小为n，将其表示为u(i)，i＝1，2，…，n，n控制在512-1024这个区域。

步骤一：设给定的数据是u(1)，u(2)，…，u(n)，点数总和为n。

步骤二：先设定一个模式维数为m,后按照序号的大小顺序构建一个m维的失量xm(1)，xm(2)，…，xm(n-m+1)，其中的xm(i)＝[u(i)，u(i+1)，…，u(i+m-1)]，i＝1，2，…，n-m+1，这些矢量的意义是第i个点后面m个连续的u值，m取1。

步骤三：定义两个矢量xm(i)与xm(j)之间的距离d[xm(i)，xm(j)]是两个向量应的元素里差值最大的那个，即d[xm(i)，xm(j)]＝max(|u(i+k)-u(j+k)|)。其中，k＝0，1，2，…，m-1；i，j＝1，2，…，n-m+1，j≠i。

步骤四：r为预先设定的相识容限，称作阈值。针对每一个i≤n-m+1的值，统计其中d[xm(i),xm(j)]值小于r的数量，将这个数量称作模板匹配数，并计算这个数量和距离总量n-m的比值，将其记为brm(i)＝nm(i)/(n-m)。

求解出其对全部i的平均值如下：

步骤五：将维数m的值增加1，即为m+1，重复上面所描述的步骤一到步骤四过程，得到b^m+1(r)。则这个序列的样本熵等于：

在一些可选实施例中，还包括小波模块，所述小波模块用于对所述噪声识别标定模块处理后的信号进行小波分析。小波分析能够通过变换能够充分突出问题某些方面的特征。

在一些可选实施例中，还包括特征参数计算模块，所述特征参数计算模块用于计算各个节律的特征参数。

在一些可选实施例中，还包括svm(supportvectormachines，支持向量机)模块，所述svm模块用于建立svm支持向量机模型。

svm分类方法基于统计学习理论，在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并可以推广应用到函数拟合等其他机器学习问题中。支持向量机是数据挖掘中的一个方法，能非常成功地处理回归问题(时间序列分析)和模式识别(分类问题、判别分析)等诸多问题。支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。建立方向合适的分隔超平面使两个与之平行的超平面间的距离最大化。其假定为，平行超平面间的距离或差距越大，分类器的总误差越小。

根据本发明实施例的第二方面，提供了一种大脑状态监测装置的控制方法，如图1所示，所述大脑状态监测装置为上面所述的大脑状态监测装置，方法包括：

s11、采集佩戴者的脑电信号；

s12、对采集到的脑电信号进行处理，得到处理后的脑电信号；

s13、对处理后的脑电信号进行级别判断；

s14、对根据级别判断后的脑电信号获得的佩戴者的大脑状态进行分级处理；

s15、将分级处理后的脑电信号和佩戴者的大脑状态发送给服务器。

通过采集佩戴者的脑电信号，对采集到的脑电信号进行处理，得到处理后的脑电信号，并分别进行级别判断和分级处理获得佩戴者的大脑状态，从而对佩戴者的个体状况进行分级控制，预防事故发生，且通过将分级处理后的脑电信号发送给服务器，可为佩戴者建立个人档案，为佩戴者提供个性化服务，使得大脑状态监测装置更加的具有针对性。

在一些可选实施例中，在对处理后的脑电信号进行级别判断之前，如图2所示，还包括：对所述脑电采集模块采集的脑电信号中无法处理的信号噪声做识别和标记。

在一些可选实施例中，在对所述脑电采集模块采集的脑电信号中无法处理的信号噪声做识别和标记之后，方法还依次包括信号窄带处理、信号重构和信号熵处理，根据信号熵处理的结果进行意识状态级别判断。

在一些可选实施例中，在对所述脑电采集模块采集的脑电信号中无法处理的信号噪声做识别和标记之后，方法还依次包括信号小波处理、各节律信号及特征参数计算、建立svm支持向量模型和计算判别系数，根据计算判别系数和信号熵的处理的结果进行意识状态级别判断。

在进行意识状态级别判断时，还需要意识状态常规模板和意识状态个性模板，其中，意识状态个性模板是根据上传信息优化个性化模板后得到的，其中，意识状态级别判断可分为三种情形，意识状态区间为0-100，下面是意识状态级别及相应的分级处理。

第一种情形，意识状态级别分为五级，0-20对应人的生命体征出现严重问题，20-40对应昏厥状态，40-60对应瞌睡状态，60-80对应低清醒意识状态，80-100对应高清醒意识状态，其中，当意识状态级别为0-20时，如当意识状态级别为10时，启动最高低级预警处理，当意识状态级别为30时，启动严重等级预警，当意识状态级别为50时，启动一般等级预警，当意识状态级别为70时，启动警戒预警，当意识状态级别为90时，启动正常作业模式。

第二种情形，意识状态级别分为三级，0-20对应意识水平出现严重问题，启动最高等级预警处理，20-60对应意识水平处于警戒状态，启动一般等级预警，60-100对应意识水平处于正常状态，启动正常作业模式。

第三种情形，意识状态级别分为四级，0-25意识水平出现严重问题，启动最高等级预警处理，25-45意识水平出现昏迷，启动严重等级预警，45-65意识状态不佳，启动一般等级预警，65-100意识水平状态正常，启动正常作业模式。

在实际中，也可以根据实际情况对意识状态级别的分级进行重新定义，如分为六级或者分为两级等，当然，对应的分级数越多，将会使得管理更加精细化，有利于对大脑状态监测装置的佩戴者进行更加细致的管理。

当意识状态检测后得到具体的数值，在不同的分级模式中，可能对应不同模式的预警模式，例如当意识状态检测为50时，当意识状态级别为三级时，启动一般等级预警，当意识状态级别为四级时，启动一般等级预警，当意识状态级别为五级时，启动一般等级预警，此时，三种模式下，都是启动一般等级预警，但是当意识状态检测为70时，当意识状态级别为三级时，启动正常作业模式，当意识状态级别为四级时，启动正常作业模式，当意识状态为五级时，启动警戒预警模式，此时，在不同的分级模式下，其对应的预警状态是不同的。如图3所示，其中横坐标为时间，其单位为分钟，纵坐标为意识状态的数据，可以看出，如按照三级分级时，在0-450分钟的时间内，意识状态的数据大于20，且小于60，佩戴者的意识水平处于警戒状态，在450-500分钟时，意识状态的数据低于20，佩戴者的意识水平出现严重问题，但是在1050分钟之后，意识状态的数据明显提高，最高为80，意识状态正常。当然，也可以根据需要按照别的分级模式进行预警，如四级、五级模式，时间也可以设置为秒或者小时等单位。

在一些可选实施例中，在分级处理后，方法还包括信息上传，将相关的信息上传到服务器，由服务器根据上传信息进行模板优化，逐步增加佩戴者个性化模板的比重。

本发明实施例通过对人体脑电进行检测，相比于现有技术是通过心率、血压、血氧等来监测人生命体征，本发明实施例可以在人的生命体征未出现问题前，提前做出预警与防范，有效监测佩戴者大脑的意识状态(精神状态)，可应用于工业端、医疗教育端等各场景。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。