[发明专利]基于BP神经网络的管制员疲劳检测方法及系统

权利要求书

1.一种基于BP神经网络的管制员疲劳检测方法，其特征在于，包括：

采集管制员的脑电波，根据所述脑电波得到慢α波功率百分比、α波和β波的功率比值、θ波和慢α波的功率比值；

将所述慢α波功率百分比、所述α波和β波的功率比值、θ波和慢α波的功率比值的功率比值输入预先训练好的BP神经网络模型，得到PERCLOS值仿真结果；

若所述PERCLOS值仿真结果大于疲劳阈值，则判断所述管制员处于疲劳状态。

2.根据权利要求1所述的方法，其特征在于，所述BP神经网络模型的训练方法包括：

建立BP神经网络模型并随机生成所述BP神经网络模型的参数，所述BP神经网络模型包括输入层、中间层、输出层，所述输入层包含3个节点，所述中间层包含多个节点，所述输出层包含1个节点，所述输入层和所述中间层之间，以及所述中间层和所述输出层之间均采用全连接模式；

采集管制员的脑电波以及对应的眼睑闭合数据，根据所述脑电波得到慢α波功率百分比、α波和β波的功率比值、θ波和慢α波的功率比值，根据所述眼睑闭合数据得到的PERCLOS值测量结果，并生成多个样本，每个样本包括慢α波功率百分比、α波和β波的功率比值、θ波和慢α波的功率比值以及对应的PERCLOS值测量结果；

从生成的样本中选取一个样本，将样本中的慢α波功率百分比、α波和β波的功率比值、θ波和慢α波的功率比值输入所述BP神经网络模型，得到PERCLOS值预估结果；

根据所述PERCLOS值预估结果和选取的样本的PERCLOS值测量结果的误差，更新所述BP神经网络模型的参数；

若达到预设停止条件，则终止训练，否则重新选取样本再进行训练。

3.根据权利要求2所述的方法，其特征在于，所述根据所述眼睑闭合数据得到的PERCLOS值测量结果，包括：

从所述眼睑闭合数据中获取所述管制员清醒状态下的上下眼睑最大距离，所述眼睑闭合数据为眼睑闭合幅度随时间的变化，所述眼睑闭合幅度为上下眼睑之间的距离；

将所述眼睑闭合数据除以所述上下眼睑最大距离，得到眼睑闭合程度；

根据所述眼睑闭合程度，计算单位时间内的闭眼时间；

将闭眼时间除以所述单位时间得到PERCLOS值测量结果。

4.根据权利要求3所述的方法，其特征在于，所述根据所述眼睑闭合程度，计算单位时间内的闭眼时间，包括：在单位时间内，眼睑闭合程度大于70％或80％的对应的时间段的总和为所述单位时间内的闭眼时间。

5.根据权利要求2所述的方法，其特征在于，若达到预设停止条件，则终止训练，否则重新选取样本再进行训练，包括：根据所述PERCLOS值预估结果和选取的样本中的PERCLOS值测量结果得到全局误差，若所述全局误差小于误差阈值或训练次数达到预设的最大次数，则终止训练，否则重新选取样本再进行训练。

6.根据权利要求2所述的方法，其特征在于，根据所述PERCLOS值预估结果和选取的样本的PERCLOS值测量结果的误差，更新所述BP神经网络模型的参数，包括：

计算所述PERCLOS值预估结果和选取的样本中的PERCLOS值测量结果的输出误差；

根据所述输出误差相对于中间层到输出层各边权值的偏导数，更新所述中间层到输出层各边权值；

根据所述输出误差相对于输入层到中间层各边权值的偏导数，更新所述输入层到中间层各边权值；

根据所述输出误差相对于输出层偏置的偏导数，更新所述输出层偏置；

根据所述输出误差相对于中间层偏置的偏导数，更新所述中间层偏置。

7.根据权利要求1或2所述的方法，其特征在于，所述根据所述脑电波得到慢α波功率百分比、α波和β波的功率比值、θ波和慢α波的功率比值，包括：

采集管制员的脑电波；

对所述脑电波进行小波去噪；

根据小波去噪以后的脑电波得到慢α波功率百分比、α波和β波的功率比值、θ波和慢α波的功率比值。