基于脑电波信号的人体疲劳程度测试模型分析

来源:用户上传      作者:

　　摘 要： 针对人体疲劳程度检测问题，采集被测试者的脑电图（EEG）信号，利用阈值小波变换对EEG信号进行消噪处理，提取脑电波中的特征值，分析疲劳程度与特征值的相关性，建立脑电波信号与疲劳程度的数学模型，并用十折交叉验证法来验证该模型的准确率.结果表明：该模型检测人体疲劳程度的准确率可以达到96%以上.
　　关键词： 脑电图（EEG）信号; 疲劳程度; 小波变换; 数学模型; 十折交叉验证法
　　中图分类号： TP 391文献标志码： A文章编号： 1000-5137（2019）01-0102-04
　　Abstract： For the detection of degree of human body′s fatigue，we collected electroencephalographic（EEG） signals from the tested people.We eliminated the noise in the EEG signals by threshold wavelet transform technology，and extracted the eigenvalues in EEG signals.We analyzed the relationship between the fatigue and the eigenvalues，and built the mathematical model between EEG signals and the degree of fatigue.We verified the model by 10-fold cross-validation.The experimental results showed that the testing accuracy of the model reached up to 96%.
　　Key words： electroencephalographic （EEG） signals; degree of fatigue; wavelet transform; mathematical model; 10-fold cross-validation method
　　0 引 言
　　目前国内外对疲劳驾驶检测[1]的研究方法有：1） 根據驾驶员的生理反应特征进行检测，该方法主要采用面部识别技术定位眼睛、嘴角等部位进行综合分析，通过对其眼球的追踪，评估驾驶员的专注度;2） 基于驾驶员操作行为的检测，通过驾驶员的操作行为推断驾驶员的疲劳程度.BEIRNESS等[2]在仿真实验测试的基础上，获取驾驶员模拟行车过程中转弯时的转角信号，并利用小波理论对该信号进行处理，根据非线性方法确定不同状态下的转角信号特征，确定其疲劳程度.目前，基于Photoplethysmogram （PPG） 的脉冲传感器疲劳度测试法是国内比较新的研究方法[3].
　　本文作者基于脑电图（EEG）信号提出一套具体的疲劳程度检测模型，并验证了该模型的检测准确率.
　　1 EEG信号疲劳检测模型
　　1.1 EEG信号数据的获取
　　1.1.1 选择测试样本
　　选择年龄处于20～26岁之间，无脑部疾病，并且具备一定受教育程度的4对青年男女，并确保他们没有接受过类似的测试，以免造成心理负担.
　　1.1.2 实验设备
　　使用神念科技的生物传感器TinkGear获取生物电信号的数据.TinkGear每秒输出一次采集数据，每次输出512个小数据包以及1个大数据包，本研究数据主要取自大数据包中的13个波段.将TinkGear与电脑终端相连，以显示脑电波信号特征值.
　　通过两个干电极，将TGAM芯片与测试者头部相连，其中一个干电极贴于测试者的脑门，另外一个电极夹在测试者的左耳.
　　使用蓝牙3.0 HB05作为通信模块，将由TGAM芯片采集到的EEG信号发送到TinkGear[4].
　　EEG信号属于微弱信号，易被外界环境干扰，因此在测试过程中，要保证测试环境安静.
　　1.1.3 实验过程
　　测试之前，测试者身体无不良反应，没有精神或心理上的负担，没有饮用一些刺激身体或大脑神经的饮品.实验过程中，要求测试者朗读一段文字，内容根据每个测试者的情况而定.整个测试过程中，要求测试者保持坐姿不变.
　　测试频次为：1） 测试者起床，吃完早饭，休息约2 h之后，进行一次测试，记为状态1;2） 测试者工作2 h后，进行一次测试，记为状态2;3） 测试者结束1 d后，进行一次测试，记为状态3.
　　1.2 实验结果分析
　　1.2.1 原始数据的处理
　　将电脑终端显示的脑电波信号特征值（α，β，θ）录入text文档，采用小波变换降噪方式对采集到的数据进行消噪处理[5-6].对含噪信号进行多尺度小波变换，在各尺度下尽可能提取信号的小波系数，去除属于噪声的小波系数，最后采用小波变换重构信号，从而达到去噪的目的[7].
　　1.2.2 建模拟合
　　根据脑电波信号特征比值检验测试者的疲劳程度[8]，采用十折交叉验证法[9]作为本实验的验证算法，随机抽取90%的样本作为数据估算集合，剩余的10%作为对模型的测试集合.表1为部分拟合标准数据的确定系数.
　　3 结 论
　　提出了一套针对人体疲劳程度的检测模型，并用十折交叉验证法检验该模型的准确率，结果表明：该模型的准确率达到96%以上，故所建立的模型具有一定参考价值.
　　参考文献：
　　[1] LAL S K，CRAIG A.Driver fatigue：electroencephalography and psychological assessment [J].Psychophysiology，2002，39（3）：313-321. 　　[2] BEIRNESS D J，SIMPSON H M，DESMOND K，et al.The road safety monitor 2004：drowsy driving [R].Ottowa：Traffic Injury Research Foundation，2005.
　　[3] YIN H，SU Y，LIU Y，et al.A driver fatigue detection method based on multi-sensor signals [C]//2016 IEEE Winter Conference on Applications of Computer Vision （WACV）.Lake Placid：IEEE，2016：1-7.
　　[4] 胥彪，石锐，何庆华，等.脑机接口（BCI）系统的实时数据传输技术研究[J].计算机科学，2007，34（9）：107-109.
　　XU B，SHI R，HE Q H，et al.Study on the technology of real-time data transmission for brain computer interface （BCI） [J].Computer Science，2007，34（9）：107-109.
　　[5] ZHAO C，ZHAO M，LIU J，et al.Electroencephalogram and electrocardiograph assessment of mental fatigue in a driving simulator [J].Accident Analysis and Prevention，2012，45（1）：83-90.
　　[6] FAUZAN N，AMRAN N H.Brain waves and connectivity of autism spectrum disorders [J].Procedia-Social and Behavioral Sciences，2015，171：882-890.
　　[7] WU T，QI X H，SU Y，et al.Electroencephalogram characteristics in patients with chronic fatigue syndrome [J].Neuropsychiatric Disease and Treatment，2016，12（1）：241-249.
　　[8] KOSTIC D J，AVRAMOVIC Z Z，CIRIC N T，et al.A new approach to theoretical analysis of harmonic content of PWM waveforms of single-and multiple-frequency modulators [J].IEEE Transactions on Power Electronics，2013，28（10）：4557-4567.
　　[9] AXELBERG P G V，GU Y H，BOLLEN M H J，et al.Support vector machine for classification of voltage disturbances [J].IEEE Transactions on Power Delivery，2007，22（3）：1297-1303.
　　[10] WANG J L，JAAMAN S H，SAMSUDIN H B，et al.R-squared measurement in multifactor pricing model [C]//American Institute of Physics Conference.Selangor：AIP，2015：1-5.
　　[11] NARAYAN S，TAGLIARINI G.An analysis of underfitting in MLP networks [C]//IEEE International Joint Conference on Neural Networks.Montreal：IEEE，2005：1-5.
　　[12] CALHOUN G F.Limit theory for overfit models [J].Dissertations and Theses-Gradworks，2009，12（5）：507-584.
　　（責任编辑：包震宇）
转载注明来源:https://www.xzbu.com/1/view-14847286.htm