基于腦電波的人體疲勞度評價方法
【專利摘要】本發明公開了一種基于腦電波的人體疲勞度評價方法。本方法利用ThinkGearAM腦電芯片采集原始腦電波信號，并由內置算法對原始腦電波信號進行分析處理，根據處理后的腦電波數據計算出以下四類參數；第一類，原始δ波、θ波、α波、β波、γ波5種腦電波信號的變異系數；第二類，復雜度和功率譜熵兩種非線性參數；第三類，由腦電波中δ波、θ波、α波和β波4個基本節律的能量計算出的疲勞指數F；第四類，借助于腦電波信號所提取出的放松度和專注度兩個參數，把這四類參數作為PNN神經網絡（概率神經網絡）的輸入，將神經網絡的輸出作為人體的疲勞度評價依據，從而根據人的腦電波可判斷出人的疲勞程度。
【專利說明】基于腦電波的人體疲勞度評價方法
【技術領域】
[0001]本發明涉及人體健康工程、神經生理學、生物醫學、數字信號處理技術、模式提取與模式分類、軟件工程，特別是一種基于腦電波的人體疲勞度評價方法。
【背景技術】
[0002]疲勞是指機體在一定環境條件下，由于長時間或過度緊張的體力或腦力勞動引起的勞動效率趨向下降的狀態。在醫學上，按疲勞的性質，疲勞可分為生理疲勞和心理疲勞，對疲勞狀態的評價可通過主觀和客觀的方法來進行。主觀評測的方法主要依據主觀調查表、自我記錄表、睡眠習慣調查表和斯坦福睡眠尺度表等來測評被試者的疲勞程度。客觀測評的方法主要從醫學角度出發，借醫用儀器、設備等輔助工具測試被試者的人體行為、生理、生化方面的某些指標的變化，從而確定其疲勞程度。
[0003]主觀評價方法雖然操作簡單、直接、費用低廉、加之對任務完成無干擾、易被接受等優點，是一種被廣為采用的評價疲勞的方法，但這種方法很難量化疲勞的等級和程度，又因每個人的理解有明顯的差異，其結果往往不能令人滿意。近年來，腦電圖、眼電圖、心電圖等檢測與分析技術取得了很大的進步，而且在腦力疲勞研究中，腦電現已成為最廣泛的評價中樞神經系統變化的指標之一，被譽為檢測疲勞的“金標準”。
[0004]目前，在國內外利用腦電進行疲勞度研究已取得了一些有意義的成果。如在非線性動力學方面，吳祥寶等人將Lempel-Ziv復雜度用于腦電疲勞的分析中,Pincus等人提出了近似熵復雜度并將其應用于疲勞檢測研究中，Richman等人提出的樣本熵復雜度在疲勞檢測中也有了比較廣泛的應用。在功率譜分析方面，Murata等利用事件相關電位P300的幅度和潛伏期的長短對腦力疲勞進行分析，發現隨著腦力疲勞程度的增加，潛伏期延長，幅度降低；Jung等用腦電功率譜對大腦警覺性水平進行分析，發現腦電功率譜能夠反映大腦的疲勞狀況。
[0005]雖然腦電波已被用于疲勞的檢測，但是這種測量方式依舊存在一些不足之處: 第一，測量疲勞的精確度不高，對個體的針對性不強，經常會出現假陽性現象；
第二，對人體的疲勞程度不能進行準確的判定，判定的出錯率過大。
【發明內容】
[0006]為了克服上述現有技術的不足，本發明提供了一種基于腦電波的人體疲勞度評價方法。此方法解決了傳統方法中對個體的針對性不強，誤判率過大，等級判定誤差過大的問題。
[0007]本發明所采用的技術方案在于:通過采用多種疲勞測量的方法，把腦電特征參數作為PNN神經網絡(概率神經網絡)的輸入，并通過PNN神經網絡的輸出來判定當前測試者的疲勞程度。PNN神經網絡是一種常用于模式分類的神經網絡，它不像傳統的多層前向網絡那樣需要用BP算法進行反向誤差傳播的計算，而是完全前向的計算過程。它訓練時間短、不易產生局部最優，而且它的分類正確率較高，無論分類問題多么復雜只要有足夠多的訓練數據，可以保證獲得貝葉斯準則下的最優解，與現有技術相比，本發明在一定程度上提高了疲勞度評價的精確度，通用性增強，等級判定的出錯率變小，評價結果具有準確性、可信性。
【專利附圖】
【附圖說明】
圖1是系統框架圖，圖2是測試結果圖。
【具體實施方式】
[0008]1.通過干式電極接觸大腦前額采集腦電信號，獲得的原始數據會實時地傳入到ThinkGear AM腦電芯片中，并且由芯片本身內置的算法進行處理，得到數字化的原始腦電波數據，包括S、Θ、慢α、快α、慢β、快β、慢Y、中Υ波8個EEG參數，以及“專注度”、“放松度”兩個eSense參數，腦電芯片將處理后的數據以數據包的形式通過藍牙發送到手機，并由相應的軟件將數據解析出來，存入EXCEL表格中。
[0009]2.通過腦電波原始數據計算出以下四類信號，
(1)基于α波的復雜度、功率譜熵兩種非線性參數；
(2)通過計算腦電波中δ波、Θ波、α波和β波4個基本節律的能量譜以得到疲勞指數F;
(3)根據腦電芯片內置算法所得到放松度和專注度的值均在1-100，測得多組數據求其平均值；
(4)由腦電芯片獲取原始腦電信號的δ波、Θ波、α波、β波、y波，得到測量時間內5種波的變異系數。
[0010]3.利用MATLAB的神經網絡工具進行網絡的訓練，
(1)將上述四種特征參數作歸一化處理，我們將其中50組數據作為訓練樣本，剩余30組數據作為測試樣本；
(2)將人體疲勞程度人為劃分為5個等級，并由I飛這五個數值代替，對應關系如表一所示:
(3)產生訓練集和測試集后，經訓練得到的隱含層各節點的閾值及其與輸入層的連接權值，以及隱含層與輸出層之間的連接權值；
(4)利用測試組對建立的網絡進行檢驗，得到結果如附圖一所示。共有30組測試數據，根據測試結果，發現只有第4、8、12、17、23組，這5組的測試結果和預期結果相異，其余25組數據的結果和預期結果完全吻合，預測的正確率為83.3% ；
(5)結論:根據以上測試的結果，可以證明這種基于腦電波的人體疲勞度評價方法是確實可行的，但是由于本次測試的樣本數較少，在一定程度上使得神經網絡的訓練不夠全面，導致結果會存在一定的誤差，如果增加訓練的樣本，本評價方法的誤差將會進一步減小。
__表1疲勞等級劃分_
疲方程度不疲方輕度疲方中度疲方重度疲方極度疲方
胃示數值Il \2|3|4|5
【權利要求】
1.一種基于腦電波的人體疲勞度評價方法，該方法的實現依次包括以下步驟: 第一步，利用ThinkGear AM腦電波芯片獲取訓練樣本，并從中提取腦電波特征參數，將其作為神經網絡的預輸入參數，同時根據被測對象填寫的主觀調查表獲取評價結果，作為神經網絡的輸出，并將采集到的樣本分為訓練組和測試組； 第二步，將提取到的特征參數作歸一化處理，作為神經網絡的直接輸入，并將對應的疲勞度評價結果規定由I飛這五個數值代替，作為網絡的直接輸出，利用訓練組數據進行訓練，根據實際輸出和期望輸出的差異，不斷調整各節點連接權值和閾值，初步完成網絡的建立； 第三步，利用測試組的數據對建立的網絡進行測試，檢驗該網絡能否達到預期的效果，由此對網絡進行重復訓練，不斷提高其評價的正確性，最終完成網絡的建立， 其特征在于，第一步中所提取的腦電波特征參數分為四類: 第一類，原始δ波、Θ波、α波、β波、Y波5種腦電波信號的變異系數，δ波在成人入睡后，或成年人困倦時出現；Θ波，少年或成年人困倦時出現；α波在人清醒、安靜、閉眼及正常血糖范圍情況下出現；β波在人睜眼和大腦皮層處在緊張活動狀態時出現(即正常人白天工作時會出現的腦電波)；Y波在人進入慢波睡眠時出現，變異系數是衡量數據中各觀測值變異程度的一個統計量，當進行兩個或多個資料變異程度的比較時，如果資料的度量單位與平均數相同，可以直接利用標準差來比較，如果資料的單位和(或)平均數不同時，比較其變異程度就不能采用標準差，而需采用標準差與平均數的比值來比較，標準差與平均數的比值稱為變異系數，故利用變異系數來觀測各腦電信號的變異程度，其計算公式為: 變異系數=(標準偏差/平均值)*100%(I) 第二類，基于α波的復雜度、功率譜熵兩種非線性參數，復雜度是從一維的角度反映數據序列隨其長度的增長出現新模式的速率，反映了數據在結構上的復雜性，包含有很多的信息，規則運動(穩態和周期運動)的復雜度等于0，隨機運動(理想白噪聲)為1，混有噪聲的規則運動、色噪聲和混沌的復雜度介于O和I之間，根據Lempel-Ziv復雜度計算方法，首先要將數據序列符號化，符號序列復雜度計算過程如下: 令c(n)為某一給定的符號序列S= (Sl，S2,……，sn)的復雜度，其中Si代表一個字符，分別令S，Q代表兩個字符串，SQ表示由S，Q兩個字符串組成的總字符串，SQP表示把SQ最后一個字符刪除的字符串，其中，P表示刪除最后一個字符的操作，令V(SQP)表示SQP所有不同字串的集合，c (n)，S, Q 初始化為 c (n) =LS=S1, Q=S2,可以得 SPQ=S1,假定 S= S1, S2,......，Sr,Q=sr+1,如果Q e V(SQP)，則表示Srt是S= S1, s2,……，\的一個子字符串，則S不變，只需將Q更新為Q= srtSr+2，然后再判斷Q是否屬于V (SQP)，上述過程循環進行，直到Qiv (SQP)為止，假設此時 Q=sr+1, Sr+2,......，sr+i,即 sr+1, Sr+2,......，sr+i 不是 S1, S2,......，的子字符串，因此C (η)的值將增加1，然后將Q組合到S中，使S更新為S1, S2,……，Sr，sr+1, sr+2,……，srt，取0為Srt+1,重復以上步驟,直到Q取到最后一位,這樣就把SKs1, S2,......，Sn)分成了 c(n)個不同的子串，且根據研究，對幾乎所有屬于[0，I]區間的X對應的二進制分解所表示的序列都會趨向一個定值 Limn_> ^ c (n) =b (n) =n/log2n(2) 其中b(n)是隨機序列的漸進行為，可以用它來使c(n)歸一化，稱為“歸一化復雜度”，Clzn(n) =c (η) /b (η)(3) 功率譜熵是一種腦電復雜性分析的指標，從頻域分析和非線性動力學分析的角度測量時間序列的復雜度，其譜熵值規律表現為信號中具有明顯的振蕩節律，即信號波形有規律，當信號波形較為規律時，腦電波功率譜中存在的譜峰越狹窄，譜熵越小；反之，信號波形為無規律隨機信號時，功率譜越平坦，譜熵越大，由α波的采樣數據，根據FFT變換可以得到功率譜密度P(x)，假設時間序列的離散傅里葉變換為X(x)，則其功率譜密度為 P(x)= |X(x) I2/N(4) 將功率譜Ρ(χ)按ψ照總的譜的功率進行歸一化可得功率譜的概率密度分布函數Pw.定義相應的功率譜信息熵，簡稱功率譜熵，SP Hw=- Σ Pw1g(Pw)(5) 第三類，由腦電波中δ波、Θ波、α波和β波4個基本節律的能量計算出的疲勞指數F， F=(E5+Ee)/(Ea+E0)(6) 其中S波、Θ波、α波、β波四個信號波為隨機信號，由Parseval定理，能量譜密度曲線下的面積等于信號幅度平方下的面積，總的能量是: / -CO00 |f(t) |2dt= / -00°0 I Ψ (w) |2dw(7) 對于離散時間序列，Parseval定理依舊成立，利用在時域中測量得到的離散時間序列數據，能量可以用平方和進行計算； 第四類，借助于腦電波信號所提取出的放松度和專注度兩個參數的平均值，專注度和放松度是各種腦電波的綜合體現，其中專注度可以被簡單地認為是腦電α波被抑制的程度，而放松度則為α波，特別是中頻α波活躍時的外在表現，專注度能夠反映人體注意力的集中程度；放松度主要反映人體的精神狀態，它們是大腦各種不同腦電波活動的集中表現，兩者的值均可由腦電芯片內置算法直接獲得。
2.根據權利要求1所述的基于腦電波的人體疲勞度評價方法，其特征在于采用了PNN神經網絡對疲勞程度進行評 判。
3.根據權利要求1所述的基于腦電波的人體疲勞評價方法，其特征在于采用了人體在各種疲勞狀態下，將各項腦電波特征參數歸一化處理后作為輸入，并將疲勞度進行分類后，由一數值代替作為輸出對PNN神經網絡進行訓練。
【文檔編號】A61B5/16GK103989485SQ201410190155
【公開日】2014年8月20日 申請日期:2014年5月7日 優先權日:2014年5月7日
【發明者】朱曉斐, 孫耀勝, 唐丹黎, 韓冰 申請人:朱曉斐, 孫耀勝, 唐丹黎, 韓冰