[发明专利]一种基于脑电信号的飞行员疲劳检测方法

权利要求书

1.一种基于脑电信号的飞行员疲劳检测方法，其特征在于，包括如下步骤：

步骤S1：对模拟飞行实验中飞行员的脑电信号进行采集，得到飞行员的脑电数据；

步骤S2：使用小波包变换对采集到的脑电信号进行去噪处理，获得滤波去噪后的脑电信号；

步骤S3：采用小波变换获得四个节律δ波、θ波、α波和β波,分别计算四个节律波的功率谱(Power Spectrum,PS)和功率谱面积如下：

其中，PS(f)为功率谱函数，Σ求和表示功率谱曲线的面积，这样获得脑电疲劳评价的四个指标：(α+θ)/β,α/β,(α+θ)/(α+β)和θ/β；

步骤S4：运用深度收缩自编码网络对脑电疲劳特征进行抽象特征提取，得到疲劳脑电的抽象特征；

步骤S5：对飞行员疲劳状态进行分类识别，得到飞行员所处的疲劳状态。

2.根据权利要求1所述的一种基于脑电信号的飞行员疲劳检测方法，其特征在于，步骤S1具体包括如下步骤：

步骤S101：使用64个参考电极的BCI-2000系统，对飞行员的脑电信号进行采集,采集64通道的脑电信号；

步骤S102：挑选出与疲劳相关的工作区域，选取的电极位置为Fp1 的脑电数据，得到训练的样本集{(x⁽¹⁾,y⁽¹⁾),…,(x^(m),y^(m))}，其中，样本集表示经过处理的疲劳状态数据集，X表示疲劳特征向量，Y表示疲劳状态标签。

3.根据权利要求2所述的一种基于脑电信号的飞行员疲劳检测方法，其特征在于，步骤S2具体包括如下步骤：

步骤S201：确定小波和需要多少层进行分解，然后信号分解,提取频率低于32Hz的4种节律波段；

步骤S202：小波包基最优化，根据一定的熵的规范，得出最优树；

步骤S203：根据每个小波包的分解系数，选择合适的阈值，以便量化系数；

步骤S204：按照最低层的小波包分解系数，和已经经过量化处理的系数，做小波包重构。

4.根据权利要求3所述的一种基于脑电信号的飞行员疲劳检测方法，其特征在于，步骤S3具体包括如下步骤：

步骤S301：分别计算θ波、α波和β波的功率谱；

步骤S302：根据式(1),(2)和(3),分别计算四个疲劳评价指标：(α+θ)/β,α/β,(α+θ)/(α+β)和θ/β。

5.根据权利要求3所述的一种基于脑电信号的飞行员疲劳检测方法，其特征在于，步骤S4具体包括如下步骤：

步骤S401：将脑电疲劳特征输入深度收缩自编码网络；

步骤S402：设置隐藏层数N,及计数器i＝0，随机初始化超参数：隐藏层权重w和偏移系数b，惩罚项系数λ；

步骤S403：原始数据其中n₁为输入层的神经元数，通过非线性激活函数s(·)，映射到隐藏层，得到隐藏层对输入层的编码结果其中n₂为隐藏层的神经元个数，则：其中S表示非性线激活函数，W表示隐藏层权重向量，B表示偏移系数b的向量；再利用同样的方法将h映射到重构层得有：y＝s(W′h+B′)，式中，W′和B^′分别为隐藏层到重构层的权重和偏移系数；i＝i+1；

步骤S404：调整W和B、W′和B′使x和y之间近似，并在代价函数中加入隐藏层的雅克比矩阵限制条件，抑制干扰，有数学表达式为雅克比矩阵：得到损失函数：

对重构向量进行惩罚；

通过迭代算法：

和优化损失函数训练参数W和B、W′和B′进行更新，直至算法收敛；

步骤S405：判断隐藏层数i为N；若否，则h为x，跳到步骤S402；若是，得各层参数W和B、W′和B′；

步骤S406：将步骤S405中所得的各层参数W和B、W′和B′作为DCAEN-Softmax模型的初始值，利用带标签的数据及反向传播算法微调各层参数。

6.根据权利要求4所述的一种基于脑电信号的飞行员疲劳检测方法，其特征在于，步骤S5具体包括如下步骤：

步骤S501：将脑电信号抽象特征输入到softmax分类器,记类标签y可以取r个不同的值，对于训练集{(x⁽¹⁾,y⁽¹⁾),…,(x^(m),y^(m))}，类标签为y^m∈{1,2,…,r}，r为分类数，对于给定的输入x⁽ⁿ⁾，用假设函数h_λ(x⁽ⁿ⁾)针对每一个类k估算出概率值p(y⁽ⁿ⁾＝k|x⁽ⁿ⁾),k＝1,…,r；h_λ(x⁽ⁿ⁾)输出一个r维列向量，每行表示当前类的概率；

假定假设函数h_λ(x⁽ⁿ⁾)为

其中，λ₁，λ₂,…,λ_r是模型参数，将x⁽ⁿ⁾分为第k类的概率记为

Softmax分类器的代价函数为：

步骤S502：将疲劳分为正常、微疲劳和疲劳三种状态，通过梯度下降法得到softmax分类器的模型参数λ₁，λ₂，λ₃；

步骤S503：根据步骤S502计算得到的模型参数和公式计算采集到的飞行员脑电信号属于三类的概率p₁，p₂，p₃，并比较p₁，p₂，p₃的大小，采集到的脑电信号属于p₁，p₂，p₃最大的对应的类别。