[发明专利]基于脉搏波信号的警觉度实时检测方法及系统

权利要求书

1.基于脉搏波信号的警觉度实时检测方法，其特征在于，其步骤为：

(1)通过多生理参数采集仪器获取脉搏波数据；

(2)对所述脉搏波数据进行预处理，降噪并滤除各类生理干扰，提高脉搏波信号的可靠性；

(3)从所述预处理完成后的脉搏波数据中提取生理特征；

(4)对所述生理特征进行筛选，以剔除所述脉搏波特征中的冗余信息；

(5)根据分类器对所述脉搏波特征进行分类，以根据分类结果进行警觉度状态判别。

2.根据权利要求1所述的基于脉搏波信号的警觉度实时检测方法，其特征在于，所述的步骤(1)中多生理参数采集仪器采用光电传感器，使用光电传感器采集实验者脉搏波信号，并通过光电转换为电压信号；所述光电传感器可佩戴于实验者左右耳垂，或小指指尖位置。

3.根据权利要求1所述的基于脉搏波信号的警觉度实时检测方法，其特征在于，所述的步骤(2)脉搏波数据预处理步骤为：对所述脉搏波数据由500Hz降采样到100Hz；对降采样后脉搏波信号进行滤波处理和小波滤波处理。

4.根据权利要求1所述的基于脉搏波信号的警觉度实时检测方法，其特征在于，所述的步骤(3)中特征提取包括时域特征和频域特征，时域特征有波谷幅值、波峰幅值、次级波峰幅值、波谷间期、波峰间期、次级波峰间期、波峰潜伏期、次级波峰潜伏期以及次级波峰与波峰之间间隔时间这9个特征；

所述频域特征通过小波包分解方式计算得出：对去噪后的信号采用db3小波基进行6层小波包分解，信号被对应分解为64个子频带，每个子频带宽度为50Hz/64＝0.78Hz；定义某一频带能量为该频段下小波系数的平方和，即

式(1)中，I为小波包分解层数，N为每层小波系数个数，C_i(k)为第i层小波的第k个系数，整个信号的总能量定义为

则频带i占总能量的比例为

P_i＝E_i/E_total (3)

经小波包分解后，64个子频带的能量概率P_i作为脉搏波的频域特征。

5.根据权利要求1所述的基于脉搏波信号的警觉度实时检测方法，其特征在于，所述的步骤(4)对脉搏波特征进行筛选包括采用Relief算法进行特征权值计算并筛选：当评价某个样本中特征的权重时，首先在所有同类别的样本中找出一个最邻近的样本Y，接着再找到一个不同类别最近邻样本Z；当某个特征点再X和Y之间非常接近，但是X和Z之间距离又特别远，那么满足这样条件的特征点看做是区分不同类别较为重要的点，给这些点赋一个较高的权重；当样本数据是离散的，则样本特征点之间的距离通过公式(4)计算：

当样本数据是连续的，则样本特征点之间的距离通过向量之间的欧氏距离来刻画，如式(5)。

diff(Sⁱ,Yⁱ)＝|Sⁱ-Yⁱ| (5)。

6.根据权利要求1所述的基于脉搏波信号的警觉度实时检测方法，其特征在于，所述的步骤(5)中对警觉度判别算法采用支持向量机分类器。

7.基于脉搏波信号的警觉度实时检测系统，其特征在于，包括采集模块(210)、预处理模块(220)、提取模块(230)、筛选模块(240)和判别模块(250)，采集模块(210)、预处理模块(220)、提取模块(230)、筛选模块(240)、判别模块(250)依次相连，所述采集模块(210)用于获取脉搏波数据，预处理模块(220)用于对脉搏波信号滤除各类生理干扰，提取模块(230)用于提取脉搏波信号的各类特征，筛选模块(240)用于对所提特征进行筛选，简化建模复杂度；判别模块(250)用于根据分类器对所述脑电特征进行分类，以根据分类结果进行警觉度状态识别。