基于脑机智能穿戴设备的疲劳调控系统

本发明涉及智能穿戴设备领域。特别是涉及基于脑机智能穿戴设备的疲劳调控系统。

背景技术：

1、现代化生活节奏快，人们的工作压力大、面对的事务繁多，极易出现工作疲劳状态，工作疲劳，即劳动者在连续劳作后，工作能力暂时减弱的现象。它是一种生理心理状态，是人体为适应内外环境变化而采取的防御机制。然而，工作疲劳会对所从事的工作带来严重的隐患。例如，疲劳状态下驾驶车辆会大大增加发生重大交通事故的可能性，高危行业操作人员出现疲劳极易造成重大人员和财产损失，带来不可估量的后果，等等。因此，及时监测疲劳状态，在疲劳状态到达之前进行预警提示，可以有效降低大型事故的发生概率，最大程度上保护人身安全、设备安全、财产安全。

2、除此之外，对可能发生疲劳的人员进行干预调控，解除其疲劳状态，可以延长安全工作时限，创造更多的财富价值、更好地发挥社会价值。经颅微电流刺激疗法是一种神经刺激形式，通过在头皮上放置电极，向大脑传递微弱的电流来改善各种症状。这种疗法的原理是通过刺激大脑中的神经元，调节大脑的电活动，从而影响神经递质的释放，提高大脑的血流量，增强大脑的代谢功能，从而改善疲劳症状。

3、然而，由于各行各业的场景和需求不同，不可能使用固定式、大型化的设备来对疲劳状态进行实时监测，必须采用一种易于佩戴、便携化、轻量级的设备。除此之外，传统的疲劳监测方式，如血氧、心率、呼吸等生理指标，携带的信息量过少，无法全面反映一个人的疲劳状态。脑电信号作为脑神经细胞电生理活动的宏观反映，它包含了大量的生理信息，体现了人脑的活动状态和思维情况，越来越成为疲劳状态监测的优先选择方式。此外，脑电信号便于采集，具有较高的时间分辨率，为实时疲劳监测提供了基础。

4、然而，脑电信号具有非线性、特征复杂、信噪比低的特点，这使得脑电信号的辨识极具难度。传统的脑电辨识方式主要有两种，一种是人工判读法，这需要有经验的专家进行判读；另一种是使用机器学习算法进行解码，这需要人为提取脑电特征进行分析。上述方法都需要人工操作检验，既不利于长时间的监测，也会因主观因素的影响而遗漏掉脑电的重要特征。作为机器学习的最先进理论，深度学习在处理复杂信息和海量数据上有着很强的优越性，已经在脑电信号的研究中得到了广泛的应用。深度学习是一种端到端的学习方法，能够从输入信号中直接提取并学习更深层次的内在表征并进行分类。目前已有许多深度学习的体系结构被提出并应用于脑电信号的分析解码。

5、然而，现有的深度学习模型在设计上过于复杂，常常需要借助图像处理器(gpu)来完成模型的训练，无论是时间成本还是空间成本都无法满足便携式设备的需求。因此，设计一种轻量化的模型，既有利于模型在实际设备上的部署，又节省了模型的训练成本。

技术实现思路

1、本发明所要解决的技术问题是，提供基于脑机智能穿戴设备的疲劳调控系统，通过采集使用者的脑电信号，利用轻量化深度学习模型实时监测使用者的疲劳状态，并通过经颅微电流刺激技术，对使用者的疲劳状态进行调控，形成疲劳监测——疲劳调控的闭环。

2、本发明所采用的技术方案是：基于脑机智能穿戴设备的疲劳调控系统，包括有依次连接的：脑电信号调理及转换模块、疲劳程度解码模块、疲劳反馈调控模块，所述的脑电信号调理及转换模块对使用者头部的模拟脑电信号进行调理、模/数转换，转化为脑电信号并传送至疲劳程度解码模块；所述的疲劳程度解码模块提出轻量级特征自组织裁剪融合网络l-sfc-fnet，对脑电信号进行实时疲劳解码，计算使用者的实时疲劳程度；所述的疲劳反馈调控模块根据使用者的实时疲劳程度，对使用者施加微电流刺激，以提高使用者的专注力、改善疲劳状况；该系统具备校准模式和工作模式共两种模式，当系统处于校准模式下，脑电信号将被存储并用于模型个性化匹配，当系统处于工作模式下，脑电信号将被直接用于清醒和疲劳态分类。

3、所述的脑电信号调理及转换模块，包括有：脑电电极、用于脑电信号调理和模/数转换的多通道脑电采集模块、用于控制多通道脑电采集模块的微处理器单元以及分别连接多通道脑电采集模块、微处理器单元的第一供电模组；其中，

4、所述的脑电电极由数块覆有ag/agcl薄层的低阻抗电极组成，具有低直流失调电压、高信噪比的特性，分为采集电极、参考电极、去干扰电极；采集电极负责监测使用者的fp1、fp2、f7、f8共四通道的模拟脑电信号，电极的分布遵循10/20国际标准导联，参考电极位于左耳后乳突处，作为采集电极的电势参考点，去干扰电极位于右耳后乳突处，用于消除人体引入的共模干扰，提高脑电信号信噪比；

5、所述的多通道脑电采集模块集成有多个具有高共模抑制比的用于放大模拟脑电信号的低噪声可编程增益放大器(pga)、一个用于将模拟脑电信号转换为脑电信号的高精度多通道模数转换器(adc)以及一个用于降低共模干扰的右腿驱动电路(rld)，rld使用运算放大器对各个pga的差分输入信号进行累加，并与共模电压参考点进行比较，通过去干扰电极向人体输出反向电压信号以抵消共模信号；

6、所述的微处理器单元由一颗32位低功耗片上系统(soc)芯片构成，具有gpio、spi、i2c、uart接口，通过蓝牙ble4.2协议，将脑电信号传输至疲劳程度解码模块；

7、所述的第一供电模组由单节可充电锂电池、充电管理模块和一组超低压降线性稳压器组成；进一步地，所述单节可充电锂电池容量不低于2000mah，供电电压为3.7～4.2v，所述充电管理模块具备恒流/恒压充电模式、防倒充、自动再充电功能，充电电压限制为5v，为单节可充电锂电池提供安全充电保证，所述超低压降线性稳压器对单节可充电锂电池提供的电压进行转换，提供符合供电要求的电压。

8、所述的疲劳程度解码模块，提出一种轻量级特征自组织裁剪融合网络l-sfc-fnet，该模型针对脑电信号蕴含着丰富的时、频、空域特征进行优化设计；同时，为了提高计算效率，该模型采用多种参数固定的层代替可训练参数的层，最大限度地降低了模型的训练时间和空间成本，能够为每个使用者自动匹配最优参数解空间；该模型包括有依次连接的：

9、1)一个多尺度频域特征提取模块，考虑到脑电信号可划分为不同的频段，各个频段的信号都蕴含着不同尺度的频域信息，因此该模型采用多尺度频域特征提取模块来提取不同频段的频域信息；该模块包括有若干个依次连接的小波分解层，每个小波分解层使用db4小波将输入信号分解为高频信号与低频信号两部分，对高频信号与低频信号继续分解，分解层次为3级，分解出的各频段信号相串联拼接作为该模块的输出；

10、2)一个空域特征注意力层，使用分组卷积实现，卷积核的数量为(32×m)，m为多尺度频域特征提取模块分解得到的频段数量；卷积核的长度为(c×1)，c为脑电信号通道数；卷积核分为m组，第k组卷积核负责将输入的第k个频段映射为32维的高维特征，最后将m组卷积核映射得到的高维特征进行拼接，得到(32×m)的输出；

11、3)一个第一批量归一化层，用于加速模型训练，减轻过拟合；

12、4)一个第一激活函数层，使用gelu激活函数，公式为

13、5)一个时域不确定度测量层，沿时间维度计算特征的2范数，公式为

14、6)一个第一线性层，神经元个数为64；

15、7)一个第二激活函数层，使用gelu激活函数；

16、8)一个第二线性层，神经元个数为2；

17、9)一个第三激活函数层，使用softmax激活函数，公式为其中l＝2；

18、该模型以脑电信号为输入，以使用者目前的疲劳程度(清醒/疲劳)为输出，可训练的层仅包括空域特征注意力层、第一线性层和第二线性层共三层，其余层的参数无需更新，极大地降低了训练成本，该模型不仅可以部署在资源受限的设备中，而且还能够根据使用者的个性化信息，对模型进行迭代训练以匹配使用者的当前疲劳状态。

19、所述的疲劳反馈调控模块包括有：第二供电模组、微电流发生模块、输出电极、通信模块；其中，

20、所述第二供电模组由电池组、隔离稳压模块及降压供电芯片构成；进一步地，所述电池组由4节可充电锂电池串联构成，提供14.8v～16.8v的供电电压，所述隔离稳压模块采用moresun公司生产的具有宽电压输入、定电压输出的uwf1205s-1wr3模块，提供5v输出电压，所述降压供电芯片接收来自隔离稳压模块的5v输出电压，为通信模块提供正常工作所需的3.3v、1.8v电压；

21、所述微电流发生模块由升压模块和脉冲调制单元构成，进一步地，所述升压模块采用k-cut公司生产的b1524s-1wr3模块，将电池组提供的电压泵升至24v；所述脉冲调制单元以24v电压为输入，通过控制三极管的开断，在输出电极两端产生周期性的脉冲电流；

22、所述输出电极连接至使用者的耳垂和前额，利用微电流刺激起到缓解疲劳、提高专注力的作用；

23、所述通信模块通过蓝牙ble4.2协议，接收来自疲劳程度解码模块的解码结果，根据解码结果驱动微电流发生模块，对使用者施加微电流刺激。

24、当设备处于校准模式时，使用者需要分别在清醒和疲劳两种状态下，各采集5分钟数据进行校准操作，对网络参数进行自适应调整以匹配佩戴者的个性化生理信号特征，具体步骤为：

25、1)使用者b需根据卡罗林斯卡嗜睡量表(karolinska sleepiness scale)，判定此时处于清醒(得分≤5分)或疲劳状态(得分＞5分)，分别在清醒状态下和疲劳状态下各采集5分钟数据，分别记为和式中c代表脑电通道数，γ代表数据点数；

26、2)将和按时间维度进行切片，切片长度为1s，无重叠，得到和式中s代表样本数；

27、3)令为全0向量，为全1向量，与和组合成为训练集

28、4)使用训练集ωb、adam优化器和反向传播算法训练轻量级神经网络，学习率设置为0.001，得到使用者b的个性化匹配模型modelb。

29、当设备处于工作模式时，疲劳状态的实时调控，包括如下步骤：

30、1)初始化疲劳程度为0；

31、2)每隔5秒钟，脑电信号调理及转换模块1采集使用者b的1秒脑电信号，并发送至疲劳程度解码模块2；

32、3)疲劳程度解码模块2利用提出的l-sfc-fnet模型，将该1秒脑电信号归类为“清醒态”或“疲劳态”；

33、4)若归类结果为“疲劳态”，则疲劳程度+1，反之，疲劳程度不变；

34、5)若疲劳程度≥100，则疲劳反馈调控模块3产生微电流刺激，持续1分钟，同时暂停脑电信号调理及转换模块1的采集进程，令疲劳程度＝0，返回步骤2)，直至使用者b停止使用本系统；若疲劳程度＜100，则直接返回步骤2)，直至使用者b停止使用本系统。