[发明专利]一种基于自组织临界性的精神疲劳临界点标定方法

说明书

本发明属于生物医学信号处理分析技术领域，提供了一种基于自组织临界性的精神疲劳临界点标定方法，利用脑网络动态特性构建自组织临界模型，进行精神疲劳的雪崩动力学推演，符合疲劳复杂性演化的内部机制，标定的临界状态是动力学稳定的具有鲁棒性。通过行为数据的验证，从生理和行为两个维度确定的精神疲劳临界状态可靠性更高，可以为指导疲劳类别标签的设定完成更加准确的分类识别提供支持。

技术领域

本发明属于生物医学信号处理分析技术领域，主要基于脑电信号提出一种基于自组织临界性的精神疲劳临界点标定方法。

背景技术

随着社会的飞速发展，工作和学习的压力日益繁重，长时间的工作和学习会导致困倦嗜睡、思维意识模糊、行动能力迟缓，甚至精神出现恍惚或者记忆瞬间消失等精神疲劳现象。对于特殊行业人员，如长途汽车驾驶员或飞行员，精神疲劳会导致驾驶机能下降，主要表现为注意力分散，打瞌睡，视野变窄，反应判断迟钝等，严重的对驾驶安全构成了威胁。因此，识别有意义的疲劳度量指标，进行精神疲劳的检测对于提升特殊行业人员持续作业能力，保证人员安全具有重要的现实意义。

脑电(Electroencephalograph，EEG)记录的是头皮上成对电极之间区域的电活动，这些电活动代表电极周围区域底层大量神经元电活动的总和，能够反映大脑各功能区域相互作用、信息交流状态。目前，脑电信号已经被大量研究证明是最有潜力和最可靠的精神疲劳度量指标。然而，现有的基于EEG检测方法在实际应用过程中还不是令人满意的，有很多尚待解决的问题。例如检测指标不可避免地要受到各种外界因素的干扰。特别是EEG信噪比、空间分辨率较低，容易产生信号混合问题。对于连续的作业任务，环境的复杂、任务需求的动态变化给疲劳临界点的标定，作业人员不同状态的准确区分带来了很大困难。为有效推进精神疲劳检测技术的发展，亟需引入疲劳复杂性演化的内部机制，提升疲劳临界点的标定的可靠性。

发明内容

针对现有技术存在的问题和挑战，本发明提出了一种基于自组织临界性的精神疲劳临界点标定方法，旨在通过自组织临界模型进行精神疲劳的雪崩动力学推演，标定精神疲劳临界点，区分出精神疲劳状态。自组织临界性是系统内禀的性质，不受系统外部控制参数的影响，即自组织临界状态是动力学稳定的具有鲁棒性。将自组织临界性应用到精神疲劳临界点的标定中，形成了不依赖于被试初始状态和外界参数控制的疲劳状态区分方法，有助于临界处早期疲劳的解析与判断，指导疲劳类别标签的设定完成更加准确的分类识别。

本发明的技术方案：

一种基于自组织临界性的精神疲劳临界点标定方法，步骤如下：

步骤一，依据国际标准10-20脑电电极定位系统，采集疲劳驾驶过程中长时间特种作业过程中的脑电波信号，同时采集操作行为数据，并对脑电波信号进行数据预处理；

步骤二，利用滑动时间窗构建动态功能脑网络，并对其进行统计特性分析；

动态功能脑网络分析包括：

计算滑动时间窗内各通道脑电数据间的相关程度，得到邻接矩阵；

以脑电电极为节点，以邻接矩阵元素为边，建立权值脑网络；

计算使权值脑网络成为连通图的最大阈值，对邻接矩阵进行二值化处理，建立二值化脑网络；

对二值化脑网络进行统计特性分析，提取集聚系数、特征路径长度和全局效率统计特征量；

步骤三，在动态功能脑网络上进行精神疲劳的雪崩动力学推演，利用添加粒子和粒子倒塌过程构建自组织临界模型，判断脑网络是否具有自组织临界性，检测精神疲劳的临界状态；

基于自组织临界模型的精神疲劳临界状态检测包括：

整合集聚系数、特征路径长度和全局效率，计算动态功能脑网络的疲劳综合指标，得到脑网络的动态特性；