基于脑电波采集的疲劳检测及预警方法和系统技术方案

本发明专利技术公开了一种基于脑电波采集的疲劳检测及预警方法和系统，方法包括指标获取步骤和监测预警步骤。本发明专利技术在指标获取阶段，将脑电波与眨眼特征值进行相关性判断，提高后期数据检测的鲁棒性；根据分析结果，将功率百分比指标中的慢α%、功率比值指标中的慢α/β和θ/慢α这三个指标作为监测预警步骤中瞌睡状态时的辅助检验指标，功率加和比值指标中的(θ+慢α)/β和功率比值指标中的慢α/β作为监测预警步骤中入睡状态时的辅助检验指标，对用户不同等级的疲劳进行不同方式的检测，同时对不同等级的疲劳可以采用不同方式的预警。

【技术实现步骤摘要】

本专利技术涉及一种基于脑电波采集的疲劳检测及预警方法和系统。
技术介绍
随着现代交通运输业的飞速发展，交通事故已成为当前全球所面临的严重问题，研究如何有效预防和监测驾驶员疲劳驾驶状态具重要的现实意义。疲劳驾驶是指由于驾驶员长时间连续驾驶车辆，产生生理机能和心理机能的失调，而在客观上出现驾驶技能下降的现象。从医学的角度看，某些生理特征，如眨眼、哈欠、心跳、血压、脑电波等生理信号的变化可以反映管制员疲劳的程度。脑电波(Electroencephalogram，EEG)是大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。它记录大脑活动时的电波变化，是脑神经细胞的电生理活动在大脑皮层或头皮表面的总体反。脑电波来源于锥体细胞顶端树突的突触后电位。脑电波同步节律的形成还与皮层丘脑非特异性投射系统的活动有关。脑电波是是一些自发的有节律的神经电活动，其频率变动范围在每秒1－30次之间的，可划分为四个波段，即δ(1－3Hz)、θ(4－7Hz)、α(8－13Hz)、β(14－30Hz)。除此之外，在觉醒并专注于某一事时，常可见一种频率较β波更高的γ波，其频率为30～80Hz，波幅范围不定；而在睡眠时还可出现另一些波形较为特殊的正常脑电波，如驼峰波、σ波、λ波、κ-复合波、μ波等。现有技术中还没有基于脑电波检测驾驶员是否处于疲劳状态的方法和装置，或者用于检测驾驶员是否处于疲劳状态的方法的可靠性较差。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于脑电波采集的疲劳检测及预警方法和系统；通过脑电采集传感器采集脑电信号，再对其进行小波去噪处理，去掉脑电伪迹和高频噪声，最后通过处理分析脑电信号，从而给出管制员的疲劳程度。针对得到的疲劳程度数据，采用接口电路，驱动座椅按摩器、警号、警灯、远程通知等一系列外围设备的响应。本专利技术的目的是通过以下技术方案来实现的：基于脑电波采集的疲劳检测及预警方法，包括指标获取步骤和监测预警步骤，所述的指标获取步骤包括以下子步骤：S11：通过传感器测量脑电波，同时用高清摄像机对被测者脸部特征进行全程实时录像，分别获取被测者在不同疲劳状态下的脑电波数据及眨眼数据；S12：对脑电波数据进行消噪处理，再进行快速傅立叶转换将以时域为主的脑电波数据转化为频域数据；S13：依次提取样本不同疲劳状态下脑电波数据片断，并对相应的录像资料进行整理，提取包括眨眼次数和闭眼时间在内的眨眼特征值；S14：分析不同疲劳状态下不同波段的变化特征，包括功率值、功率百分比、功率比值、功率加和比值；对不同疲劳状态下每个指标值进行ANOVA变异性分析，提取差异性达到显著性水平的指标，并分析这些指标与眨眼的相关性；S15：脑电波指标的F检验结果及与眨眼的相关性分析结果表明：在功率百分比指标中的慢α%和功率比值指标中的慢α/β与θ/慢α这三个指标的差异显著性水平高的情况下，瞌睡状态下与眨眼的相关系数绝对值最大；同时功率加和比值指标中的(θ+慢α)/β和功率比值指标中的慢α/β这两个指标在入睡状态下与眨眼的相关性最为明显；因此将功率百分比指标中的慢α%、功率比值指标中的慢α/β和θ/慢α这三个指标作为监测预警步骤中瞌睡状态时的辅助检验指标，功率加和比值指标中的(θ+慢α)/β和功率比值指标中的慢α/β作为监测预警步骤中入睡状态时的辅助检验指标，并根据分析结果获取具体阈值；所述的监测预警步骤包括以下子步骤：S21：通过脑电波传感器采集脑电信号；S22：对采集到的脑电信号进行小波去噪处理，去掉脑电伪迹和高频噪声；S23：对去噪之后脑电信号进行分析：（1）将通过分析得到的功率百分比指标中的慢α%、功率比值指标中的慢α/β和θ/慢α与步骤S15得到的阈值进行比较，判断用户是否处于瞌睡状态，如果处于瞌睡状态，则进行第一级反馈；（2）将通过分析得到的功率加和比值指标中的(θ+慢α)/β和功率比值指标中的慢α/β与步骤S15得到的阈值进行比较，判断用户是否处于入睡状态，如果处于入睡状态，则进行第二级反馈。所述的第一级反馈包括驱动座椅按摩器、警号、警灯、远程通知在内的一种或者多种；所述的第二级反馈包括驱动座椅按摩器、警号、警灯、远程通知在内的一种或者多种。基于脑电波采集的疲劳检测及预警系统，所述系统包括：脑电波传感器：用于在指标获取阶段采集各个疲劳状态下的脑电波数据以及在监测预警阶段采集实时的脑电波数据；高清摄像机：用于在指标获取阶段对被测者脸部特征进行全程实时录像获取在不同疲劳状态下的眨眼数据；数据预处理模块：用于在指标获取阶段对脑电波数据进行消噪处理，再进行快速傅立叶转换将以时域为主的脑电波数据转化为频域数据以及在监测预警阶段获取的脑电波数据进行小波去噪处理，去掉脑电伪迹和高频噪声；数据提取模块：用于在指标获取阶段依次提取样本不同疲劳状态下脑电波数据片断，并对相应的录像资料进行整理，提取包括眨眼次数和闭眼时间在内的眨眼特征值；数据分析模块：用于在指标获取阶段分析不同疲劳状态下不同波段的变化特征，包括功率值、功率百分比、功率比值、功率加和比值，同时对不同疲劳状态下每个指标值进行ANOVA变异性分析，提取差异性达到显著性水平的指标，并分析这些指标与眨眼的相关性，以及获取阈值；还在监测预警阶段对去噪之后脑电信号进行分析，判断用户是否处于瞌睡状态或者是入睡状态；数据输出模块：用于在监测预警阶段向反馈模块发送控制信号；反馈模块：用于在监测预警阶段当判断用户处于瞌睡状态或者是入睡状态时进行反馈处理。所述的脑电波传感器采用脑电波侦测芯片实现，所述的脑电波侦测芯片、去噪模块、数据提取模块、数据分析模块和数据输出模块集成在一张主板上。所述的反馈模块包括座椅按摩器、警号、警灯、智能终端。所述的基于脑电波采集的疲劳检测及预警系统还包括一个存储模块，用于存储数据分析模块的阈值、脑电波传感器的数据和高清摄像机的数据。本专利技术的有益效果是：（1）本专利技术在指标获取阶段，将脑电波与眨眼特征值进行相关性判断，提高后期数据检测的鲁棒性。（1）本专利技术根据分析结果，将功率百分比指标中的慢α%、功率比值指标中的慢α/β和θ/慢α这三个指标作为监测预警步骤中瞌睡状态时的辅助检验指标，功率加和比值指标中的(θ+慢α)/β和功率比值指标中的慢α/β作为监测预警步骤中入睡状态时的辅助检验指标，对用户不同等级的疲劳进行不同方式的检测，同时对不同等级的疲劳可以采用不同方式的预警。（3）本专利技术事先对用户的脑电波数据和眨眼数据进行分析与判断，形成该用户的具体阈值，解决用户眼睛小而采用通用技术造成数据处理不准确的问题，适用于个性化的疲劳检测；同时在指标获取之后的监测预警步骤不需要再采用高清摄像机进行检测，节省资源。附图说明图1为本专利技术方法流程图；图2为本专利技术结构方框图。具体实施方式下面结合附图进一步详细描述本专利技术的技术方案：如图1所示，基于脑电波采本文档来自技高网...

【技术保护点】
基于脑电波采集的疲劳检测及预警方法，其特征在于：包括指标获取步骤和监测预警步骤，所述的指标获取步骤包括以下子步骤：S11：通过传感器测量脑电波，同时用高清摄像机对被测者脸部特征进行全程实时录像，分别获取被测者在不同疲劳状态下的脑电波数据及眨眼数据；S12：对脑电波数据进行消噪处理，再进行快速傅立叶转换将以时域为主的脑电波数据转化为频域数据；S13：依次提取样本不同疲劳状态下脑电波数据片断，并对相应的录像资料进行整理，提取包括眨眼次数和闭眼时间在内的眨眼特征值；S14：分析不同疲劳状态下不同波段的变化特征，包括功率值、功率百分比、功率比值、功率加和比值；对不同疲劳状态下每个指标值进行ANOVA变异性分析，提取差异性达到显著性水平的指标，并分析这些指标与眨眼的相关性；S15：脑电波指标的F检验结果及与眨眼的相关性分析结果表明：在功率百分比指标中的慢α%和功率比值指标中的慢α/β与θ/慢α这三个指标的差异显著性水平高的情况下，瞌睡状态下与眨眼的相关系数绝对值最大；同时功率加和比值指标中的(θ+慢α)/β和功率比值指标中的慢α/β这两个指标在入睡状态下与眨眼的相关性最为明显；因此将功率百分比指标中的慢α%、功率比值指标中的慢α/β和θ/慢α这三个指标作为监测预警步骤中瞌睡状态时的辅助检验指标，功率加和比值指标中的(θ+慢α)/β和功率比值指标中的慢α/β作为监测预警步骤中入睡状态时的辅助检验指标，并根据分析结果获取具体阈值；所述的监测预警步骤包括以下子步骤：S21：通过脑电波传感器采集脑电信号；S22：对采集到的脑电信号进行小波去噪处理，去掉脑电伪迹和高频噪声；S23：对去噪之后脑电信号进行分析：（1）将通过分析得到的功率百分比指标中的慢α%、功率比值指标中的慢α/β和θ/慢α与步骤S15得到的阈值进行比较，判断用户是否处于瞌睡状态，如果处于瞌睡状态，则进行第一级反馈；（2）将通过分析得到的功率加和比值指标中的(θ+慢α)/β和功率比值指标中的慢α/β与步骤S15得到的阈值进行比较，判断用户是否处于入睡状态，如果处于入睡状态，则进行第二级反馈。...

【技术特征摘要】
1.基于脑电波采集的疲劳检测及预警方法，其特征在于：包括指标获取步骤和监测预警步骤，所述的指标获取步骤包括以下子步骤：
S11：通过传感器测量脑电波，同时用高清摄像机对被测者脸部特征进行全程实时录像，分别获取被测者在不同疲劳状态下的脑电波数据及眨眼数据；
S12：对脑电波数据进行消噪处理，再进行快速傅立叶转换将以时域为主的脑电波数据转化为频域数据；
S13：依次提取样本不同疲劳状态下脑电波数据片断，并对相应的录像资料进行整理，提取包括眨眼次数和闭眼时间在内的眨眼特征值；
S14：分析不同疲劳状态下不同波段的变化特征，包括功率值、功率百分比、功率比值、功率加和比值；对不同疲劳状态下每个指标值进行ANOVA变异性分析，提取差异性达到显著性水平的指标，并分析这些指标与眨眼的相关性；
S15：脑电波指标的F检验结果及与眨眼的相关性分析结果表明：在功率百分比指标中的慢α%和功率比值指标中的慢α/β与θ/慢α这三个指标的差异显著性水平高的情况下，瞌睡状态下与眨眼的相关系数绝对值最大；同时功率加和比值指标中的(θ+慢α)/β和功率比值指标中的慢α/β这两个指标在入睡状态下与眨眼的相关性最为明显；因此将功率百分比指标中的慢α%、功率比值指标中的慢α/β和θ/慢α这三个指标作为监测预警步骤中瞌睡状态时的辅助检验指标，功率加和比值指标中的(θ+慢α)/β和功率比值指标中的慢α/β作为监测预警步骤中入睡状态时的辅助检验指标，并根据分析结果获取具体阈值；
所述的监测预警步骤包括以下子步骤：
S21：通过脑电波传感器采集脑电信号；
S22：对采集到的脑电信号进行小波去噪处理，去掉脑电伪迹和高频噪声；
S23：对去噪之后脑电信号进行分析：
（1）将通过分析得到的功率百分比指标中的慢α%、功率比值指标中的慢α/β和θ/慢α与步骤S15得到的阈值进行比较，判断用户是否处于瞌睡状态，如果处于瞌睡状态，则进行第一级反馈；
（2）将通过分析得到的功率加和比值指标中的(θ+慢α)/β和功率比值指标中的慢α/β与步骤S15得到的阈值进行比较，判断用户是否处于入睡状态，如果处于入睡状态，则进行第二级反馈。
2....

【专利技术属性】
技术研发人员：谢仲华，
申请(专利权)人：成都远控科技有限公司，
类型：发明
国别省市：四川;51