[发明专利]一种基于脑机接口矿用头盔的矿工疲劳识别方法

摘要

本发明公开了一种基于脑机接口矿用头盔的矿工疲劳识别方法，包括步骤一、原始脑电波信号的获取；二、原始脑电波信号去噪；三、脑波特征提取；四、BP神经网络的训练，401、BP神经网络初始化，402、获取训练输入样本集合并设定期望输出向量，403、监控主机训练隐含层输入、隐含层输出、输出层输入和输出层输出，404、计算实际误差，405、判断实际误差是否小于等于实际误差阈值，406、设置学习次数并判断学习次数是否完成，407、修正连接权值，408、完成BP神经网络的训练；五、识别矿工疲劳度。本发明对原始脑电波信号去噪获取精度高的脑电波信号，采用脑电波能量波动关系量化矿工精神状态并作为BP网络输入信号，矿工疲劳识别准确率高。

主权项

一种基于脑机接口矿用头盔的矿工疲劳识别方法，其特征在于，该方法包括以下步骤：步骤一、原始脑电波信号的获取：采用安装在矿用头盔本体(14)上的脑电信号获取装置获取矿工的脑电波信号并对其进行预处理，得到原始脑电波信号X(t)后送入处理器(5)；所述脑电信号获取装置包括安装在矿用头盔本体(14)的内表面上获取大脑右侧前额叶部位精神状态的第一脑电电极(1)、采集的耳垂处的电位且屏蔽参考信号的第二脑电电极(2)和屏蔽大脑以下伪迹信号的第三脑电电极(3)，以及安装在矿用头盔本体(14)后侧用于对第一脑电电极(1)、第二脑电电极(2)和第三脑电电极(3)采集的信号进行预处理的脑电信号获取模块(4)，脑电信号获取模块(4)的信号输出端与处理器(5)的信号输入端相接；步骤二、原始脑电波信号去噪，过程如下：步骤201、选取小波基对原始脑电波信号进行小波分解：处理器(5)利用sym5小波基函数对脑电信号获取模块(4)采集的原始脑电波信号X(t)进行小波分解，得到原始脑电波信号X(t)小波分解的频带离散展开系数其中，i为小波分解的层数且i为不小于1的正整数，N为离散点的采样点数且N≥2，ci为原始脑电波信号X(t)的第i层小波分解低频系数，di为原始脑电波信号X(t)的第i层小波分解高频系数，gn为第n个采样点对应的高通滤波器，hn为第n个采样点对应的低通滤波器，低通滤波器hn与高通滤波器gn正交；步骤202、根据公式对第i层小波分解高频系数di进行阈值处理，得到第i层小波分解高频更新系数其中，T为高频系数阈值且φ为噪声标准差且Median(·)为中值函数，sign(·)为符号函数，t为门限选择参数且N1为随机数；步骤203、根据公式对第i‑1层小波分解低频系数ci‑1进行更新，得到第i‑1层小波分解低频更新系数ci'‑1，ci'为第i层小波分解低频更新系数，当且仅当i为小波分解最后一层时ci'＝ci；步骤204、根据公式重构去噪脑电波信号D(t)，其中，为低频小波函数，ψ(t)为高频小波函数；步骤三、脑波特征提取，过程如下：步骤301、去噪脑电波信号的小波包分解再重构：处理器(5)利用db5小波基函数对去噪脑电波信号D(t)进行小波包分解再重构，得到去噪脑电波信号D(t)小波包分解再重构的小波树频带离散信号xj,m(k)，其中，j为小波包分解层数且j为不小于5的正整数，m为每层分解频带的位置编号且m＝0,1,...,2j‑1；步骤302、获取去噪脑电波信号D(t)的总能量：处理器(5)根据能量不变原则叠加步骤301得到的小波树频带离散信号xj,m(k)中频率在0～4Hz之间的δ波节律信号的能量，获取δ波节律信号的能量En[δ(t)]＝En(δ)；处理器(5)根据能量不变原则叠加步骤301得到的小波树频带离散信号xj,m(k)中频率在4～8Hz之间的θ波节律信号的能量，获取θ波节律信号的能量En[θ(t)]＝En(θ)；处理器(5)根据能量不变原则叠加步骤301得到的小波树频带离散信号xj,m(k)中频率在8～14Hz之间的α波节律信号的能量，获取α波节律信号的能量En[α(t)]＝En(α)；处理器(5)根据能量不变原则叠加步骤301得到的小波树频带离散信号xj,m(k)中频率在14～30Hz之间的β波节律信号的能量，获取β波节律信号的能量En[β(t)]＝En(β)；处理器(5)根据能量不变原则叠加步骤301得到的小波树频带离散信号xj,m(k)中频率在0～30Hz之外的剩余信号的能量，获取剩余信号的干扰能量En[b(t)]＝En(b)；然后，根据公式En[D(t)]＝{En[α(t)]+En[β(t)]+En[θ(t)]+En[δ(t)]}+En[b(t)]，获取去噪脑电波信号D(t)的总能量En[D(t)]，其中，En[·]表示能量函数，去噪脑电波信号D(t)的总能量小波树频带离散信号xj,m(k)中任意一个离散信号xj,m(k)的能量M为离散信号xj,m(k)的离散采样点k的数据长度；步骤303、根据公式对δ波节律信号的能量En(δ)、θ波节律信号的能量En(θ)、α波节律信号的能量En(α)和β波节律信号的能量En(β)分别进行归一化处理，得到δ波节律信号的相对能量θ波节律信号的相对能量α波节律信号的相对能量和β波节律信号的相对能量步骤四、BP神经网络的训练，过程如下：步骤401、BP神经网络初始化：监控主机(10)设定BP神经网络的输入层节点数为s和输出层节点数为p；然后，根据公式计算隐含层节点数r，a为常数；最后，对输入层与隐含层之间的一级连接权W设定一级连接权初始值W0，对隐含层与输出层之间的二级连接权ω设定二级连接权初始值ω0；步骤402、获取训练输入样本集合并设定期望输出向量：处理器(5)对矿工进行不同状态下的脑波节律信号的相对能量采集，获取训练输入样本集合ζ，训练输入样本集合ζ中训练输入样本数量为U0且为训练输入样本集合ζ中矿工疲劳状态下的训练输入样本数量且为训练输入样本集合ζ中矿工清醒状态下的训练输入样本数量且为训练输入样本集合ζ中矿工集中状态下的训练输入样本数量且设定矿工疲劳状态下的期望输出向量Q1＝[1 0 0]，设定矿工清醒状态下的期望输出向量Q2＝[0 1 0]，设定矿工集中状态下的期望输出向量Q3＝[0 0 1]；步骤403、根据公式监控主机(10)训练隐含层输入vIR、隐含层输出vOR、输出层输入yIP和输出层输出yOP，其中，R为隐含层节点编号且R＝1,...,r，S为输入层节点编号且S＝1,...,s，P为输出层节点编号且P＝1,...,p，uS为输入层第S个节点的训练输入样本且uS∈ζ，WSR为输入层第S个节点至隐含层第R个节点之间的一级连接权值，bR为隐含层第R个节点的阈值，f(·)为隐含层的传输函数，ωRP为隐含层第R个节点至输出层第P个节点之间的二级连接权值，bP为输出层第P个节点的阈值，F(·)为输出层的传输函数；步骤404、根据公式监控主机(10)计算实际误差e，其中，qP为输出层第P个节点的期望输出值且qP＝0或1；步骤405、判断实际误差是否满足e≤eε，当e≤eε时，更换输入层的训练输入样本，重复步骤403，直至输入层的训练输入样本全部训练完毕后循环步骤408，其中，eε为实际误差阈值；当e>eε时，执行步骤406；步骤406、设置学习次数并判断学习次数是否完成：监控主机(10)设置学习次数z且100≤z≤500，当学习次数未循环完成时，执行步骤407；当学习次数循环完成时，执行步骤405；步骤407、修正输入层至隐含层之间的一级连接权值和隐含层至输出层之间的二级连接权值：根据公式对输入层第S个节点至隐含层第R个节点之间的一级连接权值WSR和隐含层第R个节点至输出层第P个节点之间的二级连接权值ωRP进行修正，得到输入层第S个节点至隐含层第R个节点之间的第Z次修正的一级修正连接权值和隐含层第R个节点至输出层第P个节点之间的第Z次修正的二级修正连接权值重复步骤403，其中，Z为学习次数编号且Z＝1,...,z，μ为学习速率系数，η为梯度搜索步长且0<η<1，δ1为隐含层各节点偏导数，δ2为输出层各节点偏导数；步骤408、完成BP神经网络的训练；步骤五、识别矿工疲劳度：处理器(5)对矿工进行不同状态下的δ波节律信号的相对能量θ波节律信号的相对能量α波节律信号的相对能量和β波节律信号的相对能量进行采集，分别以为输入层各节点的输入信号，带入训练完成的BP神经网络，获取输出层实际输出，对比输出层实际输出与期望输出向量，识别矿工疲劳度，当输出层实际输出等于期望输出向量Q1＝[1 0 0]时，矿工为疲劳状态；当输出层实际输出等于期望输出向量Q2＝[0 1 0]时，矿工为清醒状态；当输出层实际输出等于期望输出向量Q3＝[0 0 1]时，矿工为集中状态。