一种脑疲劳超前预测方法

本发明涉及非线性信号处理，特别涉及一种脑疲劳超前预测方法。

背景技术：

1、飞行、车辆驾驶、空中交通管制等长时间工作常常会使相关人员发生脑疲劳。脑疲劳(mental fatigue)有时被称为精神疲劳或认知疲劳，代表由长时间的认知活动引起的心理生物学状态。

2、人脑为了稳定地进行认知任务，进化出了脑疲劳的实时调节系统。该系统有助于人克服生理性疲劳。外显的脑疲劳是两个内部因素共同作用的结果，一是逐渐累积的生理性脑疲劳，反映了认知资源持续消耗，二是调节系统，反映了高级中枢的调节和补偿作用，初期可掩盖生理性疲劳，通常在30-120分钟任务后生理性疲劳掩盖不住会表现出脑疲劳。

3、但“掩盖效应”的产生也正是源于该调节系统的作用。而掩盖效应对脑疲劳的检测造成了很大的困难。常规指标是通过面部表情、眼睑闭合率、脑电等反应出来，属于“疲劳外显后测量”，存在发现时间晚的缺陷，是严重的安全隐患。因此，脑疲劳测量的最大难题是脑疲劳的“掩盖效应”。

4、目前，脑疲劳测量技术主要分为以下几个流派：

5、一是口含式疲劳预警器：

6、例如申请号为200920160060.4一种口含式疲劳预警器，正常情况下牙齿咬合，不报警，疲劳或精力不集中时，松开报警器，蜂鸣器启动报警。此方法需要时刻咬住报警器，对被测人员产生干扰，而且当发现疲劳时，疲劳已经到了非常危险的程度，对于安全驾驶的提示作用有待提高。

7、二是面部特征的疲劳测量：

8、例如申请号为201310229235.3的中国专利《汽车驾驶员疲劳状态预判系统专利》中，其利用驾驶员眼睛闭合时间为特征，启动报警。

9、申请号为201410602818.0的中国专利《汽车驾驶员疲劳状态预判系统》中，其利用比对疲劳和非疲劳的脸部或眼部特征，启动报警。

10、申请号为201510467585.2的中国专利《一种穿戴眼镜式疲劳预警设备及工作方法的专利》中，其疲劳检测的原理则采用检测眼睑闭合率实现。

11、申请号us5570698a的美国专利《system for monitoring eyes for detectingsleep behavior》中则通过检测了眼睛位置来判断人是否处于嗜睡状态。

12、可以看出，以上的方法都属于“疲劳后测量”，当测量到疲劳时，脑疲劳已经外显出来，这时的疲劳已经到了非常危险的程度，存在严重安全隐患，对于安全驾驶的提示作用有待提高。

13、三是瞳孔直径的大小直接作为疲劳测量：

14、例如马锦飞的《瞳孔直径大小检测驾驶员疲劳的实证效度分析》研究表明，一般的道路交通场景视频实验，随着驾驶员自我报告的困倦感增加，瞳孔直径缩小，可能产生的是被动疲劳。该文章也指出，赛车等具有时间压力的体育运动，往往需要持续地调动注意资源、协调知觉活动，心理工作负荷较大，使得驾驶员，瞳孔放大，易产生主动疲劳。可以看出，被动疲劳(普通枯燥任务)和主动疲劳(高度集中任务)瞳孔直径的变化趋势刚好相反。复杂的驾驶情况下常常包含被动疲劳和主动疲劳两种疲劳，因此，直接测量瞳孔直径的大小难以可靠检测驾驶员疲劳。

15、申请号为201610027827.0的《疲劳驾驶检测方法》中，通过检测驾驶员的瞳孔直径和闭眼比率来判断驾驶员的疲劳程度，瞳孔直径与疲劳程度负相关，闭眼比率比和疲劳程度正相关。该专利提到的“瞳孔直径与疲劳程度负相关”针对的也是被动疲劳，而主动疲劳(高度集中任务)瞳孔直径的变化趋势刚好相反。因为复杂的驾驶情况下常常包含被动疲劳和主动疲劳两种疲劳，与马锦飞的文章中的技术类似，直接测量瞳孔直径的大小难以可靠检测驾驶员疲劳。

16、申请号为201310579177.7的中国专利《视疲劳的检测及缓解方法》中检测了用户瞳孔的直径值，并检测用户瞳孔直径的变化频率，通过将瞳孔直径的变化频率与表示视疲劳的频率预定值进行比较，从而掌握用户的视疲劳情况。然而该发明检测的是瞳孔直径的变化频率，该物理量只与视疲劳有关，而并非脑疲劳。

17、综上所述，当前的脑疲劳测量方法大多是从不同的侧面反映的是脑疲劳的外在表现，反映了调节系统对生理性脑疲劳的调节结果(生理性疲劳被掩盖)。因此，只能在生理性脑疲劳累积到足够大(掩盖效应失效)脑疲劳表现出来后才能测量到。

技术实现思路

1、针对上述存在的问题，本发明旨在提供一种驾疲劳超前预报方法，其采用测量调节系统的调节能力本身作为关键技术以克服掩盖效应，达到“疲劳前测量”：即可测量脑疲劳外显之前的生理性脑疲劳，在任务开始后小于5分钟的时间内就可探测到生理性脑疲劳，将脑疲劳检测从传统的“疲劳后测量”提前到“疲劳前测量”，进而可进而智能化预测脑疲劳。

2、为了实现上述目的，本发明所采用的技术方案如下：

3、一种脑疲劳超前预测方法，其特征在于，包括以下步骤：

4、步骤1：同步获取当前被测人员的瞳孔直径数据和环境光亮度数据；

5、步骤2：对瞳孔直径数据进行预处理，去除异常值，对去除异常值后的空缺进行线性插值得到预处理后的瞳孔直径数据；

6、步骤3：根据预处理后的瞳孔直径数据，定义调节能力指数，通过计算调节能力指数得到调节能力指数的时间序列，

7、步骤4：基于采集到的环境光亮度数据，计算环境光指数，得到环境光指数的时间序列；

8、步骤5：基于环境光指数的时间序列，采用自适应滤波器去除环境光干扰，得到矫正后的调节能力指数的时间序列；

9、步骤6：根据矫正后的调节能力指数的时间序列构建脑疲劳调节能力预测模型；

10、步骤7：根据建立的脑疲劳调节能力预测模型和预设的阈值进行脑疲劳预测，并输出预测结果、报警。

11、进一步地，步骤3的具体步骤为：

12、步骤31：记瞳孔直径时间序列为x1(i),1≤i≤n,其中n是时间序列的长度，并从该时间序列中按从前到后的顺序依次选取第j点，第j+1点，……，第j+m-1点，共m个点形成向量um(j)：

13、um(j)＝[x1(j+k):0≤k≤m-1]；

14、其中，j表示依次选取的点的序号；k表示偏移量；m表示向量中元素的个数；

15、步骤32：定义向量um(i)和um(j)之间的距离为d：

16、

17、步骤33：计算瞳孔直径时间序列x1(i)的标准差为r，统计满足d<r的所有一对向量um(i)和um(j)的数量，并将得到的数量记作am；

18、步骤34：基于am，计算s1：

19、

20、步骤35：将瞳孔直径时间序列为x(1)(i)每2个值进行平均计算，并将得到的平均值作为新的值，形成新的时间序列x(2)(i)，重复执行步骤21-24得到s(2)；

21、步骤36：重复执行步骤25，依次得到s(3),s(4),…,s(τ)，其中fs为采样率；

22、步骤37：定义调节能力指数的公式为：

23、

24、步骤38：采用滑动窗计算s，且滑动窗宽的设置公式为：

25、

26、其中，fs是瞳孔直径的采样频率；

27、步骤39：根据计算出的调节能力指数s(n)。

28、进一步地，步骤4的具体步骤为：

29、步骤41：通过环境传感器采集环境光时间序列y(i),1≤i≤n,其中n是时间序列的长度，并取其中的m个点形成向量um(j)：

30、um(j)＝[y(j+k):0≤k≤m-1]；

31、步骤42：定义向量um(i)和um(j)之间的距离为d：

32、

33、步骤43：计算时间序列y(i)的标准差为r，统计满足d<r的所有一组向量um(i)和um(j)的数量，并将其记作am；

34、步骤44：根据公式(1)得到t；

35、步骤45：采用滑动窗计算t，得到环境光指数时间序列t1,t2,t3,…。

36、进一步地，步骤5的自适应滤波器去除环境光干扰步骤为：

37、步骤51：将步骤39中得到的调节能力指数s(n)的滑动窗序列重定义为d(n),n＝1,2,…；

38、步骤52:将d(n)表示为：

39、d(n)＝s(n)+t1(n),n＝1,2,…

40、其中，t1(n)是由环境光刺激引起的瞳孔调节指数成分；s(n)为真实的调节能力指数成分；

41、步骤53：基于d(n)得到其与自适应滤波器输出z(n)的误差e(n)：

42、e(n)＝d(n)-z(n),n＝1,2,…；

43、步骤54：通过迭代法求出自适应滤波器的权重向量w:

44、w(n+1)＝w(n)+μ[p-rw(n)]

45、其中，n代表迭代次数，μ表示正常数，p是数据的互相关向量，r是数据的相关矩阵；

46、步骤55：基于e(n)得到矫正的调节能力指数的时间序列。

47、进一步地，步骤6构建的预测模型包括用于预测脑疲劳外显发生时间距当前时间大于5分钟的情况下的脑疲劳超前预测模型，以及用于预测脑疲劳外显发生时间距当前时间小于等于5分钟的情况下的临近阈值的脑疲劳精准预测模型。

48、进一步地，所述脑疲劳超前预测模型的建立步骤包括：

49、步骤61：定义时刻-调节能力指数的时间序列的损失函数：

50、

51、步骤62：对于每一个输入时刻点tn，预测估计值为：

52、

53、步骤63：定义平均损失函数为：

54、

55、步骤64：根据公式(7)求解使l(p,b)最小化的参数：

56、

57、且：

58、

59、

60、进一步地，所述临近阈值的脑疲劳精准预测模型的建立步骤为：

61、实时记录的过程中，先记录一段时间，得到时刻-调节能力指数的时间序列(t1,s1),(t2,s2),…(tn2,sn2)后，建立自回归模型，自回归模型的阶数选择为50，数据窗口100s，每1s更新1次，得到用于预测25s的波形的线性模型。

62、进一步地，步骤7的具体步骤为：

63、步骤71：通过设定的若干个阈值得到阈值直线；

64、步骤72：根据脑疲劳调节能力预测线性模型得到的预测估计值绘制线性预测线，基于该预测线与阈值直线的交点，得到脑疲劳外显距离当前时刻的时间，若该时间达到预设的报警阈值，则输出预测结果。

65、本发明的有益效果是：

66、首先，与常规的脑疲劳检测手段相比，本发明直接测量调节系统本身的“调节能力”来定量生理性脑疲劳，确定调节系统的关键脑区——蓝斑-去甲肾上腺素(lc-ne)系统，是对脑整体警觉性进行动机调节的重要环节，从而能够克服机体调节系统对疲劳的掩盖效应，达到疲劳前预测。

67、其次，本发明采用的是非接触测量调节方式。由于蓝斑放电与瞳孔直径变化同步，共同受到中枢的控制(通过旁巨细胞核gpi)。lc-ne对持续注意力和警觉性发挥重要作用。瞳孔直径的变化受到蓝斑(lc)神经的激活，因此，这种变化反映了蓝斑的动机增益调节活动，而本发明中对瞳孔直径的测量是通过红外光学设备进行非接触测量，实现了非接触测量调节。

68、再次，本发明还确定如何定量“调节能力”。本发明采用利用瞳孔变化的调节能力指数窥探lc-ne系统警觉性动机增益调节“能力”而探测生理性脑疲劳的预测方法。在持续性任务中，瞳孔直径增益调节能力指数出现了波动性和缓慢下降趋势“双重效应”，并通过算法进行了理论分析、专注与非专注模式研究、时间序列预测模型关键技术，实现精准超前预测进而实现了智能干预。

69、最后，本发明为了进一步降低瞳孔对光反射的消极影响，还提出了对环境光反射进行去除，得到矫正后的生理性脑疲劳指数，能够进一步提高生理系脑疲劳调节能力预测线性模型的准确性，从而提高疲劳预测精度。