[发明专利]一种基于脑电信号的飞行员疲劳检测方法

说明书

本发明公开了一种基于脑电信号的飞行员疲劳检测方法，包括基于脑电波信号的小波包预处理，基于脑电波的四个节律疲劳特征评价指标，基于深度收缩自编码网络识别飞行员状态和对识别出的飞行员疲劳状态进行显示，先利用小波包对采集的脑电波信号进行预处理，提取出脑电波信号的四种节律波；并将重组的波段信号作为纯净的脑电信号，计算基于四种节律波功率谱面积的疲劳特征；再利用所提的深度收缩自编码网络模型对飞行员脑电波信号进行分析来识别飞行员状态；对识别出的飞行员疲劳状态进行显示。本发明用于适航审定或者高空飞行中对飞行员疲劳状态进行识别，实时监测飞行员疲劳状态，确保飞行员安全飞行，合理设计飞行员负荷及完善适航审定标准。

技术领域

本发明涉及飞行员脑电波信号脑区的选取及基于脑电波信号的飞行员疲劳状态识别技术领域，尤其涉及到一种基于脑电信号的飞行员疲劳检测方法。

背景技术

随着科技的进步以及飞行器自动化水平不断提高，因飞机发动机、操作平台等设备故障导致飞行事故的比例从上世纪中页的85％降到了如今的12％～21％，而因为操作者所导致的飞行事故占全部飞行事故的比例现已高达70％。据国际民航组织(InternationalCivil Aviation Organization，ICAO)的统计，人为因素在现代航空事故中所占的比例高达76％，其中飞行人员原因造成的事故占60％以上，与飞行员疲劳有关的事故占21％。因此，减少因飞行员疲劳造成的飞行事故，对航空安全具有重大意义。

对于飞行员疲劳状态的识别，目前众多识别并未取得较好的实时性效果。申请号为CN201610846881.8、发明名称为一种基于脑电信号的驾驶疲劳的检测方法的专利申请，对脑电信号的分析只在频域分析，并且只提取了脑电的频域特征，而脑电信号是非平稳的信号，具有时频域的特征，该发明用小波包变换的方法对脑电信号进行处理，可以很好的保留脑电信号的时频域特征；该发明提取的脑电特征只有样本熵和不同节律平均功率的比值两种特征指标，不能很好的表征复杂的脑电信号。本发明使用深度学习的方法--稀疏自编码网络，对脑电信号进行无监督的特征提取，能最大程度的保留脑电信号的抽象特征，并且这些特征都是不相关的。

申请号为CN201510808562.3、发明名称为基于人脸检测和人眼状态识别的疲劳检测方法的专利申请，运用人脸和人眼识别的方法，这类方法在实际运用中有可能存在问题，该类方法容易受光线等环境因素的影响，个体差异也比较大，导致识别的准确率并不是很高；另外视觉特征比较容易伪装,驾驶员可以骗过系统的检测。本发明中的脑电信号是大脑皮层产生的电位信号，是生理信号，无法伪装。

针对科学验证脑电波信号是疲劳检测的金标准、深度学习方法具有深层结构、以及收缩自编码具有抗干扰防止过拟合自学习的优势，利用基于深度收缩自编码网络学习脑电波信号来识别飞行员疲劳状态。此外，针对先验的实验数据，根据飞行员两级疲劳量表以及飞行操作的表现情况，划分的非疲劳、微疲劳和极度疲劳状态以及所对应的脑电波信号，来训练深度收缩自编码网络，及时给予飞行员状态进行识别，在飞行员进入疲劳状态之前给予提醒，有利于帮助训练从事民航飞行的飞行员，提高有效的飞行操作，更好地驾驶飞机，有利于民航及军队更好地安排布置飞行员负荷任务。

发明内容

针对上述技术问题，本发明的目的在于提供一种基于脑电信号的飞行员疲劳检测方法，通过小波包变换对脑电信号进行多尺度分解、之后运用稀疏自编码网络对脑电信号进行特征提取，并且运用Softmax分类器对飞行员疲劳状态进行识别。

为实现上述目的，本发明是根据以下技术方案实现的：

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；