一种基于便携式脑电采集头环的疲劳状态监测系统

1.本发明涉及一种疲劳状态监测系统。特别是涉及一种基于便携式脑电采集头环的疲劳状态监测系统。


背景技术：

2.根据我国的事故记录，每年有超过5w起工地安全事故，其中有40％是由施工操作不当引起，这其中又有80％以上是因为疲劳导致的注意力不集中引起的。不仅是国内，一项针对泰国87134例意外事故的统计研究发现，疲劳、注意力涣散与意外事故的比例显著相关，且在交通事故发生概率模型中，影响程度甚至超过了酒驾。
3.便携式脑电采集系统相比于医疗机构的传统脑电采集仪器，在保证采集精度，采集速度满足要求的条件下，具有极小的体积与质量，工作条件要求低，大幅提高了易携性，在脑机接口设备中获得了广泛的应用。尤其是在使用者需要进行日常活动的条件下，便携式脑电采集系统可以为使用者提供进行脑电监测的条件，为一些需要持续监视脑电变化的生理状态提供了便利。便携式脑电采集系统的核心芯片一般包括控制芯片和a/d转换芯片。esp32芯片是乐鑫公司的一款产品，可以作为控制芯片。esp32芯片的优势：1)极高的性能：低功耗xtensa lx6 32位双核。2)丰富合理的外设，合理的功耗，合理的价格。3)强大的软件支持：丰富的软件包。4)全面丰富的技术文档。5)芯片型号种类多，覆盖面广。esp32满足脑电信号采集系统高精度、高稳定性、高运算能力的要求，片上硬件资源也足以实现脑电信号实时采集所需要的功能。
4.脑电数据往往数据量大，且难以直观发现其特征。因此若在采集完数据之后进行人工分析将会十分困难。近年来，随着计算机技术的发展，越来越多的科研工作者青睐于使用计算机采用一些分析算法对脑电数据进行分析处理。在对脑电信号分析的众多方法中，将时域信号转化为频域信号再进行分析是一种很有效的方法。频域信号往往包含更多隐藏的特征。而深度学习作为一种人工智能技术，广泛应用于脑电数据分析领域。
5.本发明所要解决的技术问题是：提供一种基于便携式脑电采集头环的疲劳状态监测系统。


技术实现要素：

6.本发明所要解决的技术问题是，为克服现有技术的不足，提供一种能够通过对脑电信号进行采集与数据分析得出人体的疲劳进而提醒使用者休息的基于便携式脑电采集头环的疲劳状态监测系统。
7.本发明所采用的技术方案是：一种基于便携式脑电采集头环的疲劳状态监测系统，包括eeg信号采集头环和通过蓝牙与所述的eeg信号采集头环相连的设置在手机端的eeg信号分析软件，所述的eeg信号采集头环用于采集使用者的eeg信号，并将采集的信号通过无线传输到手机上的eeg信号分析软件；所述的eeg信号分析软件对接收到的eeg信号进行处理、分析，并通过手机实时显示使用者的疲劳状态。
8.所述的eeg信号采集头环包括有：依次连接的用于采集eeg信号的电极片以及连接装置、用于脑电信号放大和转化的生物电信号采集模块、用于控制生物电信号采集模块采集模式与参数的esp32处理器和用于传输eeg信号的蓝牙无线传输电路，以及分别连接生物电信号采集模块和esp32处理器的电源电路，所述的esp32处理器还用于控制蓝牙无线传输电路的传输模式与传输速度；其中，
9.所述的电极片以及连接装置采集使用者前额叶区域的eeg信号，通过软排线与生物电信号采集模块相连接，用于生物电信号的采集和传输；
10.所述的生物电信号采集模块由生物电信号采集芯片构成，所述的生物电信号采集芯片集成了用于接收电极片采集的电压信号的高共模抑制比模拟输入模块、用于进行脑电压信号放大的低噪声可编程增益放大器和用于将模拟信号转换为数字信号的高分辨率同步采样模数转换器，所述的生物电信号采集芯片采用差分输入，共模抑制比为110db；
11.所述的蓝牙无线传输电路是通过所述的esp32处理器获得所述生物电信号采集模块的输出eeg信号，并将所述的eeg信号数据向eeg信号分析软件无线传输。
12.所述的电源电路，输入电压为5v，使用锂电池供电，通过电压转化模块提供系统所需的不同工作电压；或直接使用usb数据线进行供电。
13.所述eeg信号采集头环获取使用者对应10-20系统电极放置法的fp1,fp2共两个电极的eeg信号。
14.所述的eeg信号分析软件使用的脑电分析方法，所述脑电分析方法即为针对疲劳状态监测的基于cnn的卷积递归模糊网络深度学习分析方法，包括依次进行的数据预处理、cnn和模糊神经网络。
15.所述的数据预处理过程如下：
16.使用截止频率为0.1-45hz的六阶巴特沃斯带通滤波器处理原始的eeg信号；然后对处理后的eeg信号进行降采样由500hz降至100hz；再将降采样后的eeg信号分割成30s一段的时间序列片段。
17.所述的cnn包括依次串接的：
18.(1)第一卷积层，所述第一卷积层的卷积核大小fs＝n/100,64个卷积核，移动步长sd＝n/1000；n为每个eeg信号时间序列片段所包含的采样点个数，即n＝30*100＝3000；
19.(2)第一批处理归一化层，对神经元的数值进行归一化，使数据的分布满足均值为0，方差为1，用于加速网络收敛；
20.(3)第二卷积层，第二卷积层的卷积核数目为128，卷积核大小为1*1，步长为2；
21.(4)第二批处理归一化层，对神经元的数值进行归一化，使数据的分布满足均值为0，方差为1。用于加速网络收敛；
22.(5)第一最大池化层，池的大小为2*2，用于减小数据矩阵的大小；
23.(6)第三卷积层，卷积核大小为3*3，步长为2，卷积核数目为64；
24.(7)第三批处理归一化层，对神经元的数值进行归一化，使数据的分布满足均值为0，方差为1。用于加速网络收敛；
25.(8)第二最大池化层，池的大小为2*2，用于减小数据矩阵大小。
26.所述的模糊神经网络结构如下：
27.(1)输入层：第一层不参与神经元的运算，仅以cnn的输出作为输入，cnn输出的eeg
信号特征描述为：
[0028][0029]
则输入层的输出表示为：
[0030][0031]
其中，xi为第i个由cnn提取得到的特征向量；k为输入层接收由cnn提取得到的特征向量的总个数；
[0032]
(2)模糊化层：又称为隶属函数层，使用高斯隶属度函数来计算所接收输入层输出的数据的隶属度值，模糊化层输出的隶属度值表示为：
[0033][0034]
其中，m
ij
为第i个特征向量输入的第j个隐类的高斯隶属函数的均值，为第i个输入的第j个隐类的高斯隶属函数的方差；
[0035]
(3)空间激活层：该层计算每个节点的空间激活强度，提供利用模糊化层模糊处理的隶属度值计算空间激活强度；本发明使用改进的空间激活函数计算空间激活强度，计算公式如下：
[0036][0037]
其中，为空间激活强度；fj为空间激活函数；为模糊化层输出的隶属度值；
[0038]
(4)闭环层：闭环层的输出构成下一层的输入，又构成反馈值，反馈到闭环层的输入，闭环层输出的计算公式如下：
[0039][0040]
其中，t表示时间，为周期反馈值，r为模糊化规则的总数，w
ij
为权重系数，为每个时间步的输出，fj(t)为当前时间的空间激活强度；
[0041]
(5)顺向层：顺向层中的节点称为顺向节点，将输入层的输入与闭环层的输出合并计算，公式如下：
[0042][0043]
其中，wi为对应于第i个输入特征向量的权重，b为偏置值，wj为对应于第j个闭环层输出的权重，h为周期反馈值；
[0044]
(6)输出层：使用加权平均去模糊化，输出表示如下：
[0045][0046]
其中，y为模糊神经网络的输出，也构成针对疲劳状态监测的基于cnn的卷积递归模糊网络深度学习分析方法的输出。
[0047]
本发明的一种基于便携式脑电采集头环的疲劳状态监测系统，能够实现对eeg脑电信号的准确获取、有效辨识和正确分类，通过分析脑电数据识别使用者的脑电信号，得出使用者的大脑疲劳程度，对使用者的疲劳状态进行分类，以供使用者参考了解自己的疲劳健康状态，提示使用者注意休息，从而避免一些疲劳作业导致的事故。
附图说明
[0048]
图1是本发明的基于便携式脑电采集头环的疲劳监测系统的系统构成框图；
[0049]
图2是本发明中的便携式的eeg信号采集头环构成框图；
[0050]
图3是本发明中用于特征提取的卷积神经网络(cnn)的结构框图；
[0051]
图4是本发明中用于分类的带反馈的模糊神经网络的结构框图。
具体实施方式
[0052]
下面结合实施例和附图对本发明的一种基于便携式脑电采集头环的疲劳状态监测系统做出详细说明。
[0053]
如图1所示，本发明的一种基于便携式脑电采集头环的疲劳状态监测系统，包括eeg信号采集头环1和通过蓝牙与所述的eeg信号采集头环1相连的设置在手机端的eeg信号分析软件2，所述的eeg信号采集头环1用于采集使用者的eeg信号，并将采集的信号通过无线传输到手机上的eeg信号分析软件2；所述的eeg信号分析软件2对接收到的eeg信号进行处理、分析，并通过手机实时显示使用者的疲劳状态。
[0054]
如图2所示，所述的eeg信号采集头环1包括有：依次连接的用于采集eeg信号的电极片以及连接装置11、用于脑电信号放大和转化的生物电信号采集模块12、用于控制生物电信号采集模块12采集模式与参数的esp32处理器13和用于传输eeg信号的蓝牙无线传输电路14，以及分别连接生物电信号采集模块12和esp32处理器13的电源电路15，所述的esp32处理器13还用于控制蓝牙无线传输电路14的传输模式与传输速度；其中，
[0055]
所述的电极片以及连接装置11采集使用者前额叶区域的eeg信号，通过软排线与生物电信号采集模块12相连接，用于生物电信号的采集和传输；
[0056]
所述的生物电信号采集模块12是采用ads129x系列的生物电信号采集芯片构成，所述的生物电信号采集芯片集成了用于接收电极片采集的电压信号的高共模抑制比模拟输入模块、用于进行脑电压信号放大的低噪声可编程增益放大器(pga)和用于将模拟信号转换为数字信号的高分辨率同步采样模数转换器(adc)，所述的生物电信号采集芯片采用差分输入，共模抑制比(cmrr)为110db；
[0057]
所述的蓝牙无线传输电路14是通过所述的esp32处理器13获得所述生物电信号采集模块12的输出eeg信号，并将所述的eeg信号数据向eeg信号分析软件2无线传输。
[0058]
所述的电源电路15，输入电压为5v，使用锂电池供电，通过电压转化模块提供系统
所需的不同工作电压；或直接使用usb数据线进行供电。
[0059]
所述eeg信号采集头环1获取使用者对应10-20系统电极放置法的fp1，fp2共两个电极的eeg信号。
[0060]
所述的eeg信号分析软件2使用的脑电分析方法，所述脑电分析方法即为针对疲劳状态监测的基于cnn的卷积递归模糊网络深度学习分析方法，包括依次进行的数据预处理、cnn和模糊神经网络(fnn)。其中，
[0061]
1)所述的数据预处理过程如下：
[0062]
使用截止频率为0.1-45hz的六阶巴特沃斯带通滤波器处理原始的eeg信号；然后对处理后的eeg信号进行降采样由500hz降至100hz；再将降采样后的eeg信号分割成30s一段的时间序列片段。
[0063]
2)所述的cnn如图3所示，包括依次串接的：
[0064]
(1)第一卷积层，所述第一卷积层的卷积核大小fs＝n/100,64个卷积核，移动步长sd＝n/1000；n为每个eeg信号时间序列片段所包含的采样点个数，即n＝30*100＝3000；
[0065]
(2)第一批处理归一化层，用于加速网络收敛；
[0066]
(3)第二卷积层，因为我们在第一卷积层中使用了64个卷积核，因此输入到编码器的特征具有64个特征图。第二卷积层的卷积核数目为128，卷积核大小为1*1，步长为2；
[0067]
(4)第二批处理归一化层，用于加速网络收敛；
[0068]
(5)第一最大池化层，池的大小为2*2，用于减小数据矩阵的大小；
[0069]
(6)第三卷积层，卷积核大小为3*3，步长为2，卷积核数目为64；
[0070]
(7)第三批处理归一化层，用于加速网络收敛；
[0071]
(8)第二最大池化层，池的大小为2*2，用于减小数据矩阵大小。
[0072]
3)所述的模糊神经网络结构如图4所示，包括：
[0073]
(1)输入层：第一层不参与神经元的运算，仅以cnn的输出作为输入，cnn输出的eeg信号特征描述为：
[0074][0075]
则输入层的输出表示为：
[0076][0077]
其中，xi为第i个由cnn提取得到的特征向量；k为输入层接收由cnn提取得到的特征向量的总个数；
[0078]
(2)模糊化层：又称为隶属函数层，使用高斯隶属度函数来计算所接收输入层输出的数据的隶属度值，模糊化层输出的隶属度值表示为：
[0079][0080]
其中，m
ij
为第i个特征向量输入的第j个隐类的高斯隶属函数的均值，为第i个输入的第j个隐类的高斯隶属函数的方差；
[0081]
(3)空间激活层：该层计算每个节点的空间激活强度，提供利用模糊化层模糊处理
的隶属度值计算空间激活强度；在传统的fnn中，空间激活函数采用连续累积乘法作为模糊化算子，表示如下：
[0082][0083]
其中，fj为空间激活函数。但是这种传统方法在处理eeg信号时存在缺陷，当n较大时，fj会趋近0，效果不好，为了避免出现这种情况，应该使用较少的特征，即使n尽量小，但由于脑电波信号的复杂性，少数特征的分布往往与整体分布有较大偏差
[0084]
为了避免出现此问题，本发明使用改进的空间激活函数计算空间激活强度，计算公式如下：
[0085][0086]
其中，为空间激活强度；fj为空间激活函数；为模糊化层输出的隶属度值；
[0087]
(4)闭环层：eeg信号是时变的，不仅需要考虑大脑在某一特定时刻的状态，还要考虑之前状态的持续影响，因此引入此层。闭环层的输出构成下一层的输入，又构成反馈值，反馈到闭环层的输入，闭环层输出的计算公式如下：
[0088][0089]
其中，t表示时间，为周期反馈值，式中r为模糊化规则的总数，w
ij
为权重系数，为每个时间步的输出，fj(t)为当前时间的空间激活强度；
[0090]
(5)顺向层：顺向层中的节点称为顺向节点，将输入层的输入与闭环层的输出合并计算，公式如下：
[0091][0092]
其中，wi为对应于第i个输入特征向量的权重，b为偏置值，wj为对应于第j个闭环层输出的权重，h为周期反馈值；
[0093]
(6)输出层：使用加权平均去模糊化，输出表示如下：
[0094][0095]
其中，y为模糊神经网络的输出，也构成针对疲劳状态监测的基于cnn的卷积递归模糊网络深度学习分析方法的输出。