[发明专利]一种基于脑电信号的疲劳状态识别方法

摘要

本发明公开了一种基于脑电信号的疲劳状态识别方法，方法包括：通过EEG数据采集仪从人体头皮表面记录不同疲劳状态下的脑电信号，通过信号采集模拟电路滤出信号中的干扰成分，再将微弱的电信号程控放大并消除电平飘移，得到的模拟脑电信号经数字电路进行AD转换成数字脑电信号传输给主机进行处理；主机首先对信号进行预处理，然后提取每通道信号的特征信息，构造特征向量，最后采用基于模糊模式识别的评估方法，根据所得到的脑电特征评估疲劳程度；本发明结合了生物医学信号处理技术及模糊模式识别技术，提出了一种客观的可行的精神疲劳评估方法，使基于脑电信号的检测与识别在精神疲劳评估领域的应用得到技术上的极大提升。

主权项

1.一种基于脑电信号的疲劳状态识别方法，其特征在于，方法包括：（1）通过EEG数据采集仪从人体头皮表面记录不同疲劳状态下的脑电信号，通过信号采集模拟电路滤出信号中的干扰成分，再将微弱的电信号程控放大并消除电平飘移，得到的模拟脑电信号经数字电路进行AD转换成数字脑电信号传输给主机进行处理；（2）主机首先对信号进行预处理，然后提取每通道信号的特征信息，构造特征向量，最后采用基于模糊模式识别的评估方法，根据所得到的脑电特征评估疲劳程度；对所采集的脑电信号进行处理的方法如下： a、信号预处理对采集的脑电数据进行预处理，即进行数字滤波，提取0-30Hz的信号频率成分；b、信号特征提取对采集的脑电数据进行特征提取，以四种脑电基本节律的相对能量作为特征，它们是：δ：0-3.5Hz、θ：3.5-8Hz、α：8-13Hz、β：13-30Hz，由于δ、θ、α、β节律相对能量之和为1，只选取δ、θ、α三个节律相对能量作为特征信息；c、模糊模式识别精神疲劳程度是一个模糊概念，记为A，设有需要对模糊概念A进行识别的n个样本组成的集合，有m个指标特征值表示样本的整体特性，则有样本集的指标特征值矩阵(1)式中表示样本j指标i的特征值，i=1,2, … ,m;  j=1,2 … ,n；如样本集依据m个指标按c个级别的已知指标标准特征值进行识别，则有指标标准特征值矩阵(2)式中表示状态或级别h指标i标准特征值，h=1，2，…，c； i=1，2，…，m；若规定1级精神状态为不疲劳状态，其评价指标i的标准特征值对于疲劳程度的相对隶属度；c级精神状态为非常疲劳状态，其评价指标对于疲劳程度的相对隶属度，则人体精神疲劳状态标准指标的相对隶属度可根据如下线性公式确定(3)由此可将矩阵Y变换为相应的相对隶属度矩阵S(4)类似地，可根据下式(5)将指标值越大疲劳程度越深的样本指标值变为相应的相对隶属度；相反，对于指标值越小疲劳程度越深的指标用下式进行变换；(6)由此可将矩阵X变换为相应的相对隶属度矩阵(7)将样本j的m个指标相对隶属度，，… ，分别与矩阵S的第1，第2，…，第m行的行向量逐一进行比较，可得样本j的级别上限值和级别下限值（1≤≤c，1≤≤c）；设样本集对模糊概念A各个级别的相对隶属度矩阵为(8)式中表示样本j对A级别h的相对隶属度，j=1，2，…，n； h=1，2，…，c；由于样本j在级别区间，范围内，故矩阵U应满足归一化约束条件(9)样本j与级别h之间的差异用广义欧式距离表示为(10)为了完善地描述样本j与级别h之间的差异，定义下式(11)以为权重，称为加权广义欧式距离；为了求解样本j对模糊概念A的级别h的最优相对隶属度，建立目标函数，(12)根据目标函数和约束条件构造拉格朗日函数，求得最优相对隶属矩阵，矩阵中的各元素由下式确定(13)最后应当用级别特征值F₁,F₂,…,F_c，对疲劳程度进行判断，级别特征值公式表示为：(14)H是包含n个元素的向量，为样本j的级别特征值，如果，则判断样本j隶属于级别m。