【技术实现步骤摘要】
本专利技术涉及精神疲劳程度测试领域，具体而言，涉及一种精神疲劳程度的测试方法。
技术介绍
1、目前，在现有技术中，基于脑电波信号判断精神疲劳的方法往往面临不够精确的问题。由于脑电波信号本身的复杂性和易受干扰的特性，传统的分析手段在提取关键特征、区分不同疲劳状态以及排除噪声干扰等方面存在局限性，导致判断结果的准确性受到较大影响。因此，尽管脑电信号作为反映大脑活动的重要窗口，其在精神疲劳评估方面的应用仍需要更高级的分析技术和算法支持以提高判断精度。
技术实现思路
1、本专利技术旨在至少解决现有技术或相关技术中存在的技术问题之一。
2、为此，本专利技术的第一方面提出一种精神疲劳程度的测试方法。
3、有鉴于此，本专利技术的第一方面提供了一种精神疲劳程度的测试方法，包括：对目标进行实验，获取目标的实验结果，提取实验结果中的脑电图数据；对脑电图数据预处理，获取预分析脑电图数据；分析预分析脑电图数据，获取微状态特征参数；对目标进行实时监测，获取目标的实时微状态特征参数；基于实时微状态特征参数，判断精神疲劳程度。
4、另外，本专利技术提供的上述技术方案中的一种精神疲劳程度的测试方法还可以具有如下附加技术特征：
5、在本专利技术的一些技术方案中，可选地，对目标进行实验，获取目标的实验结果，提取实验结果中的脑电图数据，包括：获取目标在正常状态下的正常脑电图，采集目标的第一行为学数据，并记录目标的主观疲劳问卷的第一结果；通过精神疲劳诱发任务，将目标从正常状
6、在本专利技术的一些技术方案中，可选地，对脑电图数据预处理，获取预分析脑电图数据，包括：对脑电图数据进行通道定位，获取第一脑电图数据；剔除第一脑电图数据中的四个活动电极，获取第二脑电图数据；对第二脑电图数据进行滤波处理，获取第三脑电图数据；对第三脑电图数据进行降采样处理，获取第四脑电图数据；对第四脑电图数据进行基线校正处理，获取第五脑电图数据；剔除第五脑电图数据中的坏段并替换坏通道，获取第六脑电图数据；通过独立成分分析方法从第六脑电图数据中分离并去除眼动成分，获取第七脑电图数据；去除第七脑电图数据的伪迹，获取第八脑电图数据；将第八脑电图数据的各个电极的平均值作为参考电极，获取第九脑电图数据；将第九脑电图数据进行2hz至20hz的带通滤波处理，获取预分析脑电图数据。
7、在本专利技术的一些技术方案中，可选地，对第二脑电图数据进行滤波处理，获取第三脑电图数据，包括：通过fir数字滤波器，去除第二脑电图数据中的50hz的工频干扰，获取初次滤波脑电图数据；对第一处理脑电波进行0.5hz至30hz的带通滤波处理，获取第三脑电图数据。
8、在本专利技术的一些技术方案中，可选地，微状态特征参数包括：熵率、全局解释方差、时域特征参数、转移概率和赫斯特指数；其中，时域特征参数包括平均持续时间、时间覆盖率和发生频率，转移概率包括观测转移概率与预期转移概率的偏差值。
9、在本专利技术的一些技术方案中，可选地，分析第一脑电图，获取微状态特征参数，包括：获取第一脑电图的全局场功率；基于全局场功率，获取全局场功率的极大值的第一时域点；将第一时域点带入脑电图中，获取第一时间序列；对第一时间序列进行第二预处理，获取微状态时间序列；基于微状态时间序列，获取微状态特征参数。
10、在本专利技术的一些技术方案中，可选地，对第一时间序列进行第二预处理，获取微状态时间序列，包括：应用t-aahc算法，对第一时间序列进行聚类分析，确定第一时间序列的微状态类别；基于微状态类别，获取微状态模板地形图；基于微状态模板地形图，获取微状态时间序列。
11、在本专利技术的一些技术方案中，可选地，基于微状态时间序列，获取微状态特征参数，包括：基于微状态时间序列，获取全局解释方差、时域特征参数和转移概率；基于全局解释方差，判断预分析脑电图数据的静态属性；基于观测转移概率与预期转移概率，获取观测转移概率与预期转移概率的偏差值；基于偏差值，构建转移概率矩阵；基于转移概率矩阵，判断预分析脑电图数据的短程相关性。
12、在本专利技术的一些技术方案中，可选地，基于微状态时间序列，获取微状态特征参数，还包括：基于微状态时间序列中的状态转移次数，构建状态转移计数矩阵；将状态转移计数矩阵中的计数转换为概率，构建状态转移概率矩阵；基于状态转移概率矩阵，获取香农熵；基于转移概率矩阵，获取转移概率矩阵的每个转移概率的熵值；基于每个转移概率的熵值，获取条件熵；基于条件香农熵和步长，获取熵率；基于熵率，判断预分析脑电图数据的动态属性。
13、在本专利技术的一些技术方案中，可选地，基于微状态时间序列，获取微状态特征参数，还包括：将第一时间序列进行二元分类，获取二元时间序列；对二元时间序列进行累计和处理，获取随机游走信号；对随机游走信号进行离散小波变换以分解并提取小波系数，利用小波系数，获取结构函数；对结构函数值的值与尺度进行绘制，形成对数-对数图；对对数-对数图的点进行线性拟合，获取拟合直线的斜率；基于斜率与结构函数的阶数，获取赫斯特指数；基于赫斯特指数，判断预分析脑电图数据的长程相关性。
14、本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种精神疲劳程度的测试方法，其特征在于，包括：
2.根据权利要求1所述的精神疲劳程度的测试方法，其特征在于，所述对目标进行实验，获取所述目标的实验结果，提取所述实验结果中的脑电图数据，包括：
3.根据权利要求2所述的精神疲劳程度的测试方法，其特征在于，对所述脑电图数据预处理，获取预分析脑电图数据，包括：
4.根据权利要求3所述的精神疲劳程度的测试方法，其特征在于，所述对所述第二脑电图数据进行滤波处理，获取第三脑电图数据，包括：
5.根据权利要求1所述的精神疲劳程度的测试方法，其特征在于，所述微状态特征参数包括：
6.根据权利要求5所述的精神疲劳程度的测试方法，其特征在于，所述分析所述预分析脑电图数据，获取微状态特征参数，包括：
7.根据权利要求6所述的精神疲劳程度的测试方法，其特征在于，所述对所述第一时间序列进行第二预处理，获取微状态时间序列，包括：
8.根据权利要求6所述的精神疲劳程度的测试方法，其特征在于，所述基于微状态时间序列，获取所述微状态特征参数，包括：
9.根据权利要求
10.根据权利要求8所述的精神疲劳程度的测试方法，其特征在于，所述基于微状态时间序列，获取所述微状态特征参数，还包括：
...【技术特征摘要】
1.一种精神疲劳程度的测试方法，其特征在于，包括：
2.根据权利要求1所述的精神疲劳程度的测试方法，其特征在于，所述对目标进行实验，获取所述目标的实验结果，提取所述实验结果中的脑电图数据，包括：
3.根据权利要求2所述的精神疲劳程度的测试方法，其特征在于，对所述脑电图数据预处理，获取预分析脑电图数据，包括：
4.根据权利要求3所述的精神疲劳程度的测试方法，其特征在于，所述对所述第二脑电图数据进行滤波处理，获取第三脑电图数据，包括：
5.根据权利要求1所述的精神疲劳程度的测试方法，其特征在于，所述微状态特征参数包括：
6.根据权利要求5所述的精神疲劳...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。