[发明专利]基于人体信息和环境信息融合的智能矿用头盔控制方法

摘要

本发明公开了一种基于人体信息和环境信息融合的智能矿用头盔控制方法，包括原始脑电波信号的获取；原始脑电波的预处理；原始脑电波信号的小波分解重构；脑波信号特征提取；人工鱼群算法优化BP神经网络对疲劳特征进行识别；识别矿工疲劳度、监控矿工所处环境信息、对危险情况进行报警操作。本发明提取对原始脑电波信号预处理(滤波、去噪)后获得的高精度脑电波信号中四个子带能量、ApEn近似熵、KC复杂度和C0复杂度作为人工鱼群算法优化BP神经网络的输入层，训练人工鱼群算法优化BP神经网络识别矿工疲劳，识别准确率高，并通过佩戴在矿工手腕上的智能可穿戴手环对不同危险等级的安全状态进行声、光、震动三种方式的三重报警，从而提高井下操作安全系数。

主权项

1.基于人体信息和环境信息融合的智能矿用头盔控制方法，其特征在于，包括以下步骤：S1、原始脑电波信号的获取：通过安装在矿用头盔上的脑电信号获取装置采集矿工的原始脑电波信号并对其进行预处理，得到处理后的脑电波信号后发送到安装在矿用头盔本体后侧的脑电信号处理器；同时，采用红外复合五合一气体传感器、DHT11温湿度传感器对二氧化碳、甲烷、一氧化碳、甲醛、挥发性有机物浓度进行测量，将气体参数传输给主控制器；所述脑电信号获取装置包括安装在矿用头盔本体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、采集的耳垂处的电位且屏蔽参考信号的第二脑电电极和屏蔽大脑以下伪迹信号的第三脑电电极，以及安装在矿用头盔本体后侧用于对第一脑电电极、第二脑电电极和第三脑电电极采集的信号进行预处理的脑电信号处理器，脑电信号处理器的信号输出端与主控制器的信号输入端相接；S2、原始脑电波信号去噪，过程如下：S21、在脑电信号处理器中，选择与原始信号最相近的小波基函数，确定小波变换的分解尺度，利用Mallat塔式方法对信号进行小波变换，进而得到不同分解尺度的高频系数分量和低频系数分量；S22、计算第j尺度上的小波阈值，比较n个子带信号的小波熵，选取小波熵值最大的子带的小波系数，认为该子带的小波系数是由噪声引起的，计算该子带小波系数的中值，作为第j尺度的噪声方差，从而可以计算得到第j尺度的小波阈值；S23、由于不同尺度上的噪声小波系数值不同，随着分解尺度的增加，噪声的小波系数越来越小，所以按S22分别计算不同尺度的小波阈值，并对每一尺度的高频系数分量进行阈值化处理，得到近似高频小波系数；S24、利用最高一层小波分解的低频系数分量和经过阈值处理的不同尺度的近似高频小波系数分量，组成进行信号重构所需要的系数分量，按多分辨率分析的重构式进行重构，得到纯净脑电波信号；S3、脑波特征提取，过程如下：S31、选取小波基对脑电波信号进行小波分解：脑电信号处理器利用sym5小波基函数对脑电信号获取模块采集的脑电波信号进行小波分解和重构，信号分解表达式为：式中细节系数为：式中逼近系数为：式中尺度函数为：式中小波函数为：则最终信号重构表达式为：S32、采用sym5小波函数对脑波信号进行六层分解，分别得到信号六层低频a6、六层高频d6、五层高频d5、四层高频d4；经过FFT的频率检测发现六层低频a6、六层高频d6、五层高频d5、四层高频d4分别近似于δ波、θ波、α波、β波的频率，因此采用小波分解的信号来代表δ波、θ波、α波、β波；额叶区脑电波f(n)经过快速傅里叶变换得到F(k)。式中，f(n)为脑波采集模块采集的额叶区脑波离散信号，n为采样点的序号，N是采样点的总数，k是整数。S33、对原始数据进行小波分解获得不同频带的δ(x)、θ(x)、α(x)、β(x)子带信号，其子带能量为：计算每个信号的能量比：E_all＝E(δ)+E(θ)+E(α)+E(β)，En(δ)＝E(δ)/E_all，En(θ)＝E(θ)/E_all，En(α)＝E(α)/E_all，En(β)＝E(β)/E_all，从而能够定量分析出矿工在疲劳状态、清醒状态和集中状态下的EEG的子信号所占比值；S34、计算ApEn近似熵、KC复杂度和C0复杂度，比较疲劳状态、清醒状态、集中状态下脑电波信号这三个特征值的变化情况，并将若干组疲劳特征值、若干组清醒特征值、若干组集中特征值分别列表，保存起来，后续作为神经网络的输入数据；S4、人工鱼群算法优化BP神经网络对疲劳特征进行识别，过程如下：S41、将S3中得到的四个子带能量、ApEn近似熵、KC复杂度和C0复杂度作为神经网络的输入层数据，分别用(1，0，0)、(0，1，0)、(0，0，1)代表疲劳、清醒、集中状态作为神经网络的输出层；S42、设BP神经网络中输入层有M个神经元，隐含层有J个神经元，输出层有K个神经元，输入层到隐含层之间的权值表示为wij，隐含层神经元的阀值表示为bj，隐含层到输出层之间的权值表示为vjk，输出层神经元的阀值表示为ak。BP神经网络中要调整的参数是权值wij、vjk和阀值bj、ak，将这些要调整的参数设为人工鱼状态，则人工鱼x可以表示为一个M*J+J+J*K+K维向量：x＝(w₁₁,…,w_M1,b₁,…,w_iJ,…,w_MJ,b_J,v₁₁,…,v_J1,a₁…,v_1k,…,v_JK,a_K)，其中w₁₁,…,w_M1表示输入层神经元到第一个隐含层神经元的权值，b1表示隐含层第一个神经元的阀值，w_iJ,…w_MJ表示输入层神经元到第J个隐含层神经元的权值，bJ表示隐含层第J个神经元的阀值，v₁₁,…,v_J1表示隐含层神经元到第一个输出层神经元的权值，a1表示输出层第一个神经元的阀值，v_1k,…,v_JK表示隐含层神经元到第K个输出层神经元的权值，a_K表示输出层第K个神经元的阀值，人工鱼的食物浓度FC设置为BP神经网络总误差E的倒数，即FC＝1/E，这样人工鱼所要寻找的食物浓度最大的点就是BP神经网络误差最小的点，任意两条人工鱼x₁、x₂之间的欧几里得距离d表示为：式中x₁、x₂中的元素严责按照维度一一对应着相减，人工鱼x在执行觅食行为、聚群行为和追尾行为后就会改变自身的状态，同时对BP神经网络进行初始权值和阀值的一次调整；S43、根据BP神经网络误差函数的特点以及前人的设计经验，结合实验，选取中间隐含层的神经元为20，样本输入为17维的数据，网络输出为1维，即神经网络的结构设置为17‑20‑1；S44、人工鱼优化算法中选择人工鱼数目为10，可视域为0.5，拥挤因子为0.618，步长选择为0.1，迭代次数为50，重复探索次数为50；BP神经网络激活函数1选择tansig函数，激活函数2选择logsig函数，训练函数采用traindx函数，最大训练次数设置为20000次，学习率为0.05，误差要求精度为10‑4，动量因子0.9；S45、对二元函数进行拟合来测试人工鱼群优化BP网络的性能：取步长为0.1，一共40000个数据，其中35000个做训练样本，5000做测试样本，对数据进行100次训练；S46、从脑电数据库中选取2100组数据，600组集中状态数据，600组清醒状态，600组疲劳状态，这1800组用于网络训练，其余300组用于网络测试，分组采用交叉的方式进行。利用上述步骤训练测试的神经网络对脑电波信号的状态进行识别，实现对井下人员疲劳度的监测；S5、主控制器处理各种传感器的浓度数据判断气体的超限状态，融合出当前的安全状态和危险等级，同时通过井下现有的通信节点发送到监控主机显示的界面，以及通过蓝牙模块与主控制器连接的佩戴在矿工手腕上的智能手环对不同危险等级的安全状态进行声、光、震动三种方式的三重报警。