本發(fā)明涉及腦電分析，尤其涉及一種基于腦電特征的快速疲勞檢測方法及裝置。

背景技術(shù)：

1、當今社會，由于社會競爭壓力大、長期從事單一工作、睡眠質(zhì)量差等因素極易誘發(fā)腦力疲勞，嚴重影響了人們正常的生產(chǎn)生活。腦力疲勞指人們在高壓力、高負荷或重復(fù)單調(diào)的工作中，出現(xiàn)情緒紊亂、心理出現(xiàn)疲乏感和耗竭感，以至于人們在工作和生活中出現(xiàn)認知和反應(yīng)力下降、注意力不集中、工作效率降低等問題。隨著現(xiàn)代社會工作強度增加及人機交互場景的復(fù)雜化，腦力疲勞引發(fā)的安全事故已成為全球性問題。駕駛疲勞是典型的腦力疲勞情況，疲勞駕駛成了危害交通安全的主要原因之一。疲勞駕駛時，駕駛員大腦警覺水平下降，工作記憶減弱，執(zhí)行功能受損，難以精確控制車輛和察覺周圍環(huán)境，大大增加事故風險。在交通運輸領(lǐng)域，飛機駕駛員、高鐵駕駛員等從事特殊駕駛行業(yè)的人員，同樣難以避免疲勞駕駛現(xiàn)象的出現(xiàn)。這充分表明，腦力疲勞已經(jīng)成為眾多駕駛員普遍面臨的一種生理問題。實際上，不僅僅是特殊駕駛行業(yè)，像臨床醫(yī)療、高空作業(yè)這類特殊工作領(lǐng)域，工作人員在經(jīng)歷長時間的腦力勞動之后，也常常會出現(xiàn)腦疲勞的狀況。腦疲勞一旦出現(xiàn)，就容易引發(fā)生產(chǎn)事故，往往會造成無可挽回的嚴重危害。

2、目前，腦疲勞狀態(tài)評測主要分主觀評測法和客觀評測法。主觀評測法通過心理測量問卷讓個人或他人評估自我疲勞狀態(tài)，雖能反映個體主觀感受、無需復(fù)雜設(shè)備且結(jié)果兼具個體性與普適性，但評測準確度不高，多作為輔助參考?？陀^評測法又分為基于個體行為特征和生理特征的方法?；趥€體行為特征方法中疲勞行為特征普遍性不強且有可操作性，易干擾評定結(jié)果?；趥€體生理特征的方法，則是通過對腦電、心電、眼電等生理信號評測疲勞狀態(tài)。腦電信號(eeg)作為中樞神經(jīng)系統(tǒng)的直接電生理表征，能反映大腦認知狀態(tài)變化，腦電信號一直被生物醫(yī)學(xué)領(lǐng)域檢測情緒、疲勞等生物狀態(tài)的關(guān)鍵信號。

3、研究表明，個體處于疲勞狀態(tài)下，腦電信號會出現(xiàn)特征變化。疲勞狀態(tài)下，低頻活動增加，這意味著大腦進入更放松或接近睡眠狀態(tài)。同時，高頻活動減少，表明注意力集中度降低，認知處理能力變?nèi)??；谀X電信號的特征變化，許多學(xué)者都針對腦電特征的疲勞檢測提出了自己的方法。

4、中國專利“cn115721310a一種基于腦電圖的駛疲勞檢測與緩解方法及系統(tǒng)”通過單個電極信號中的theta波的樣本熵作為特征指標，依據(jù)樣本熵指標反應(yīng)疲勞狀態(tài)，并通過音樂和電刺激等方式緩解駕駛疲勞。但其只使用了單一電極信號的theta波的樣本熵作為指標，使用信息量過少，判斷疲勞特征不全面。同時沒有考慮到不同人之間的腦電數(shù)據(jù)差異，難以適應(yīng)不同人的腦電特征區(qū)別。

5、中國專利“cn114403897a一種基于腦電信號的人體疲勞檢測方法及系統(tǒng)”通過將含噪腦電信號預(yù)處理得到干凈腦電信號，對干凈腦電信號進行小波包變換分解，得到節(jié)濾波。通過計算節(jié)濾波能量比值，作為訓(xùn)練數(shù)據(jù)，輸入人工神經(jīng)網(wǎng)絡(luò)中，訓(xùn)練模型，得到疲勞和非疲勞的概率。但是該方法依賴單一頻段的功率譜特征，容易受到外界電磁干擾、人體生理活動的影響，同時缺乏對多頻段耦合特性和非線性特征的聯(lián)合分析，導(dǎo)致疲勞狀態(tài)表征不全面，同時訓(xùn)練網(wǎng)絡(luò)也沒有在不同個體之間進行評判，降低了方法的普適性。

6、中國專利“cn114782933b基于多模態(tài)transformer網(wǎng)絡(luò)的駕駛員疲勞檢測系統(tǒng)”提供了一種數(shù)據(jù)采集模塊，用于獲取駕駛員的腦電信號及其面部表情圖像塊，通過transformer編碼器對腦電信號和圖像塊進行多頭自注意力分析進行結(jié)果預(yù)測，可以根據(jù)駕駛員的腦電和面部表情來獲得駕駛員的駕駛狀態(tài)。該方法提供了一種多模態(tài)疲勞預(yù)測的方案，雖能提升精度，但模型參數(shù)量大，對設(shè)備的算力要求高，難以實現(xiàn)低延遲的邊緣計算，無法滿足疲勞檢測的高時效性。

技術(shù)實現(xiàn)思路

1、在當前基于腦電分析用于疲勞檢測的領(lǐng)域中，傳統(tǒng)方法面臨著諸多亟待解決的問題?，F(xiàn)有疲勞檢測方法大多僅僅依賴頻段的差分熵、功率等特征進行分析判斷。然而，腦電信號包含豐富的信息，多頻段耦合特性(如θ/β波比值)以及非線性特征同樣對疲勞狀態(tài)的表征起著關(guān)鍵作用，忽視這些重要信息，必然導(dǎo)致對疲勞狀態(tài)的表征不夠全面、精準。更為突出的是，腦電信號存在顯著的個體差異性，不同個體的腦電信號特征千差萬別。傳統(tǒng)方法采用的靜態(tài)模型，如固定閾值分類，缺乏靈活性，無法適應(yīng)這種個體差異，在跨用戶場景下的泛化能力極差，大大限制了其應(yīng)用范圍與效果。同時目前的深度學(xué)習腦電研究方向，大部分模型過于復(fù)雜，參數(shù)過多，難以實時反饋結(jié)果。

2、鑒于以上問題，本發(fā)明的核心目的在于提出一種基于腦電特征的快速疲勞檢測方法及裝置。首先，精心設(shè)計了輕量網(wǎng)絡(luò)結(jié)構(gòu)，采用一種輕量化特征提取算法，該算法能夠?qū)崿F(xiàn)多維度特征的快速融合，極大地提升了特征表征的效率。所構(gòu)建的輕量網(wǎng)絡(luò)結(jié)構(gòu)，能夠更好的提取腦電信號中的共性特征，使得該方法可以在跨用戶場景下實現(xiàn)快速適配，同時滿足低功耗部署的要求。本方法在確保高效性的同時，兼顧了預(yù)測的高度準確性，為疲勞檢測領(lǐng)域提供了更具優(yōu)勢的解決方案。

3、本發(fā)明的技術(shù)方案如下：一種基于腦電特征的快速疲勞檢測方法，基于模擬駕駛對測試者進行疲勞誘發(fā)，基于腦電信號采集器采集腦電信號，結(jié)合眼動記錄儀記錄眼動信息；通過眼動信號進行疲勞狀態(tài)判斷；對腦電信號進行預(yù)處理，得到對應(yīng)的腦電數(shù)據(jù)集；將腦電數(shù)據(jù)集與疲勞狀態(tài)作為訓(xùn)練數(shù)據(jù)，訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)學(xué)習腦電疲勞相關(guān)特征，訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)進行腦電特征的快速疲勞檢測。

4、所述深度卷積神經(jīng)網(wǎng)絡(luò)為輕量網(wǎng)絡(luò)結(jié)構(gòu)，包括ecanet注意力模塊和深度卷積模塊，二者前后連接；

5、所述深度卷積模塊包括九層網(wǎng)絡(luò)層；逐點卷積、批量歸一化層、特征增強層為前三層網(wǎng)絡(luò)層，之后通過深度卷積層進行特征卷積，隨后是relu激活層、dropout層、批量歸一化層、全局平均池化層、密集層和softmax激活層，最終輸出預(yù)測數(shù)據(jù)處于清醒狀態(tài)和疲勞狀態(tài)的概率。

6、第一層網(wǎng)絡(luò)層，使用n1個逐點卷積節(jié)點來生成n1個長度相同的信號新通道；對于給定的輸入樣本x(m,n)，m為通道個數(shù)，n為單個信號的長度；第i個節(jié)點有m個權(quán)重參數(shù)和一個偏置參數(shù)1≤i≤n1；第一層網(wǎng)絡(luò)層的輸出為：

7、

8、其中i＝1,2,3,…,n1和xp,j是輸入樣本的第p個通道的第j個采樣點；將第一層網(wǎng)絡(luò)層的輸出結(jié)果進行歸一化后得到第二層網(wǎng)絡(luò)層的輸出結(jié)果；

9、

10、在第三層網(wǎng)絡(luò)層中，使用1×1的卷積層對數(shù)據(jù)進行維度擴充，同時能夠有效地將n1維信息轉(zhuǎn)換為f維數(shù)據(jù)，具體的輸出結(jié)果如下；

11、

12、第四層網(wǎng)絡(luò)層是深度卷積層，用于從f維數(shù)據(jù)中提取特征；f維數(shù)據(jù)中每個新信號與第四層網(wǎng)絡(luò)層中的一個深度卷積節(jié)點卷積；由于存在從第三層網(wǎng)絡(luò)層輸出f維數(shù)據(jù)的f個通道，總共有f個深度卷積節(jié)點；第i個節(jié)點具有l(wèi)個權(quán)重和1個偏置參數(shù)，1≤i≤f；輸出結(jié)果如下：

13、

14、第五層網(wǎng)絡(luò)層采用relu激活函數(shù)，第六層網(wǎng)絡(luò)層dropout的概率為0.5，第七層網(wǎng)絡(luò)層是歸一化層；

15、

16、

17、

18、第八層為全局平均池，具體的輸出公式如下；

19、

20、最后兩層全連接層和softmax激活層，用于將得到的特征映射到二維空間上表示清醒和疲勞的概率，公式如下；

21、

22、

23、所述深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，采用交叉熵作為損失函數(shù)，表示真實標簽和預(yù)測標簽之間的差異，yi表示的是樣本標簽，pi表示的是樣本預(yù)測結(jié)果，m表示用于訓(xùn)練的腦電樣本數(shù)量；

24、

25、所述疲勞狀態(tài)判斷如下：

26、基于眼動信號計算perclos作為疲勞數(shù)據(jù)標準，將疲勞狀態(tài)劃分為疲勞和清醒兩種狀態(tài)，當perclos大于0.35時，認為是處于疲勞狀態(tài)，否則為清醒狀態(tài)。

27、所述perclos計算公式如下：blink表示眨眼時間，clos表示閉眼時間，fixation表示注視時間，saccade是掃視時間；

28、

29、所述腦電數(shù)據(jù)預(yù)處理，具體步驟如下：

30、步驟一：使用陷波濾波器去除50hz的電磁噪聲，使用帶通濾波器將腦電信號范圍限定在1-50hz；

31、步驟二：通過下采樣將濾波后的腦電信號數(shù)據(jù)采集頻率降低到128hz；

32、步驟三：去除帶有噪聲的腦電信號壞段；

33、步驟四:基于獨立成分分析方法去除眼動信號。

34、一種基于腦電特征的快速疲勞檢測裝置，包括：

35、數(shù)據(jù)采集模塊，用于采集腦電信號和眼動信息；

36、數(shù)據(jù)處理模塊，用于處理腦電信號得到對應(yīng)的腦電數(shù)據(jù)集以及進行疲勞狀態(tài)判斷；

37、訓(xùn)練模塊，用于存儲并訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)學(xué)習腦電疲勞相關(guān)特征，訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)進行腦電特征的快速疲勞檢測。

38、所述訓(xùn)練模塊中的深度卷積神經(jīng)網(wǎng)絡(luò)包括ecanet注意力模塊和深度卷積模塊，二者前后連接；

39、所述深度卷積模塊包括九層網(wǎng)絡(luò)層；逐點卷積、批量歸一化層、特征增強層為前三層網(wǎng)絡(luò)層，之后通過深度卷積層進行特征卷積，隨后是relu激活層、dropout層、批量歸一化層、全局平均池化層、密集層和softmax激活層，最終輸出預(yù)測數(shù)據(jù)處于清醒狀態(tài)和疲勞狀態(tài)的概率。

40、本發(fā)明的有益效果：本發(fā)明為疲勞檢測引入新的方法，可以有效的推動疲勞檢測領(lǐng)域發(fā)展；對于用戶的疲勞狀態(tài)，能夠給出一種更加準確的疲勞檢測方式，協(xié)助用戶對自身狀態(tài)進行更加詳細的評定。