本發明涉及疲勞檢測系統，特別是一種融合腦電信號與生理信號的疲勞檢測系統。

背景技術：

目前疲勞狀態的檢測可以分為主觀界定和客觀評定兩種。其中，主觀方式主要包括艾森克個性問卷(EPQ)、簡易應對方式問卷、癥狀自評量表(SCL-90)、心理自評量表(SAS)、抑郁量表(HAMD)等；客觀評定主要包括基于表情特征、基于生理特征和基于行為特征等手段，通過信號采集、分析處理、特征提取與分類識別，最終完成基于單一特征的疲勞監測。

主觀界定能夠一定程度的體現狀態改變的原因，但易受主觀因素的干擾，飛行員處于生理或者心理狀態不佳時，不能確定對自我狀態的正確評估能力；常用的客觀評定基本上是基于單一特征的信息處理，不能完全準確的實現操作者的狀態監測。

技術實現要素：

針對上述情況，為克服現有技術之缺陷，本發明提供一種融合腦電信號與生理信號的疲勞檢測系統，采用與精神狀態有密切聯系，且能更直接、客觀地反映出大腦本身的活動，有著更高的時間分辨率的腦電信號，同時融合心電、眼電、肌電、呼吸、血壓、體溫等其它生理方法，能夠實現任務狀態的實時監測，提高疲勞檢測系統的效能，進而充分實現系統全面、動態的優勢組合。

本發明的技術方案是，包括采集人體信號的信號采集單元，所述信號采集單元包括采集腦電信號的腦電采集單元、采集心電信號的心電采集單元和采集肌電信號的肌電采集單元，用于接收和處理人體信號的信號處理單元，還包括根據信號處理單元處理過的信號用于標定是否疲勞的疲勞標定單元。

所述信號處理單元對腦電信號處理時，首先對腦電信號β波進行分解去噪預處理，然后對預處理后的腦電信號進行C0復雜度、KC復雜度的特征提取；C0復雜度計算序列功率譜的均方值，高于均方值的部分保持不變，而低于均方值的部分置為零，計算新的信號頻譜的傅里葉逆變換，得到新的時間序列，新時間序列與原時間序列之差的平方和和原信號的平方和之比，即，非規則成分在原始信號中占得比例；計算一個序列KC復雜度的步驟如下：

(1)設時間序列{X₁,X₂,…X_n}，計算時間序列的均值把序列中大于平均值的X_i用1代替，小于等于平均值的X_i用0代替，構建新的序列i∈(1,2,…)；

(2)對序列S＝{S₁,S₂,…S_m}，Q＝{S_m+1,…S_m+i}，i∈(1,2,…)，構建新的序列SQ＝{S₁,S₂,…S_m,S_m+1,…S_m+i}i∈(1,2…)，SQv＝SQ-S_m+i＝{S₁,S₂,…S_m,S_m+1,…S_m+i},i∈(1,2…)；

(3)當Q∈SQv，Q復制在其后，當時，在Q中加“·”稱為插入；

(4)重復(3)過程，到序列結束；

(5)計算復雜度c(n)，

(6)計算KC復雜度：

以上在對腦電信號分析時，提取的特征值為C0復雜度、KC復雜度。

所述信號處理單元對心電信號處理時，先使用小波算法對腦電信號進行預處理，進行預處理之后，對心電特征的提取有心率平均值SDNN以及P、Q、R、S、T波的時域和頻域特征值，心電信號特征提取算法流程為：(1)首先進行小波分解，根據小波系數求出正負極大值對，正負極值對過零的點即為R波峰值點，然后再根據QRS波群的波形特征及正負極大值對，判斷出QRS波群的起止點；(2)求出RR間期的平均值，若某一個RR間期的值小于0.4倍的RR間期平均值，則去掉幅值小的R波點，若兩個R波間期的值大于1.6倍的RR間期平均值，則檢測到這兩個RR波間幅值最大的點，添加這個R點；(3)檢測從QRS波群的起始位置的點到R波幅值最小值點就是Q波點，相應地，檢測從R波點到QRS波群的終止點的幅值最小值點即為S波點。(4)檢測上一個QRS波群的終止點和下一個QRS波群的起始點之間波段的極值點。若接近于上一個QRS波群的終止點，則該點為T波點，若接近于下一個QRS波群的起始點，則該點為P波點；

心率平均值表示在采集心電的這段時間里，心率的均值。計算公式：

SDNN指的是R-R間期的標準差，其中公式中參數ti指每次R-R間期的值，參數t指心率平均值：

所述信號處理單元對肌電信號處理時，根據肌電信號的幅值和頻率范圍，采用小波去噪去除高頻部分噪聲和中值濾波器去除基線漂移的方法進行預處理，然后提取肌電信號中的時域和頻域特征。

所述人體信號采集單元采集腦電信息、心電信息和肌電信息。

所述人體信號采集單元還采集呼吸信息、血氧信息以及姿態信息。

所述信號采集單元包括腦電放大器、心電和肌電一體采集器、血氧儀采集器和姿態慣導模塊。

本發明以腦電信號為主、多種其它生理信號為輔進行疲勞度的判定，準確度高。

附圖說明

圖1為本發明腦電信號原始腦電波形和去噪后腦電波形的對比圖。

圖2為本發明中原始心電信號和去噪后的心電信號波形的對比圖。

圖3為原始肌電信號、小波去除高頻噪聲后的波形和中值濾波去除基線漂移后波形的對比圖。

圖4為去噪后心電信號R波檢測結果圖。

具體實施方式

以下結合附圖1至圖4對本發明的具體實施方式作進一步詳細說明。

其技術方案是，本發明先通過腦電放大器、心電和肌電一體采集器對人體的腦電、心電和肌電進行采集，然后將采集到的信號輸送到信號處理單元，信號處理單元分別對腦電、心電和肌電進行處理，將處理后的數據輸送到疲勞標定單元，進行疲勞的標定。

本發明設計腦電信號、心電、肌電、呼吸和血氧的信號采集裝置，通過USB接口和無線傳輸兩種途徑實現信號獲取。血氧飽和度：針對低血流灌注、運動和皮膚濕度、雜散光干擾、碳氧血紅蛋白和高鐵血紅蛋白干擾等等問題，設計血氧儀時使用指夾式光電容積脈搏波傳感器，對血氧飽和度的測量精度為±1％，測量范圍：50-100％。姿態：采用慣導模塊IMU6050采集身體相關的關節角度以及運動的角加速度和線加速度，通過設計算法實現姿態信息的捕捉。

所述信號處理單元先進行硬件預處理，實現緩沖與低通濾波，其次，對多為神經信號分別進行特征提取，分別采用時域、頻域的提取方法，篩選特征向量，傳遞給分類評定算法，采用線性LDA分類器和SVM兩種算法進行疲勞等級分類。根據離線數據先建立疲勞等級數據庫，通過特征提取到特征向量輸入分類器中訓練，最后進形疲勞度標定。

本發明中的技術流程：

1)實驗范式設計：設計任務場景和類別數量，用于訓練和測試的樣本數量。

2)原始數據獲取：獲取導聯數目、采樣率、服務器IP地址、端口號。

3)預處理：采樣率變換參數、是否濾波(低通、高通頻率參數)、去噪聲方法選擇、分段選擇(根據事件分段或者采用移動窗口技術)、滑動窗口大小和距離。

4)特征提取：設計小波包、CSP等算法，獲取每種方法所應設置的相應參數以及特征向量總數。

5)特征選擇：特征向量優化，設置需要保留的特征數或者保留原來特征的百分比、特征選擇的方法選擇。

6)模式分類：訓練方法的選擇、各種分類方法需要的參數設置、選擇模式分類方法、訓練好的模型文件。隨機選取多名被試采用疲勞評定量表進行初步評定得到多被試的評定結果，再采用腦電信號以及生理信號進行疲勞信息提取，根據已訓練的疲勞模型進行比對，得到疲勞度評定結果，相互驗證。

本發明采用客觀的途徑對疲勞狀態進行監控、評估，融合具有表征優勢的腦電信號以及心電信號、肌電信號、呼吸、血壓、眼動等多源信息成分，增強了疲勞檢測與恢復的準確性與快速性；融合腦電信號與生理信號為一體的信號采集裝置，實現了疲勞檢測系統的小型化、便攜式與低功耗；通過多維信息的綜合分析，實現了疲勞狀態的預測。

本發明融合腦電信號與肌電信號、心電信號、呼吸、血氧、眼動等生理信號，可以實現對疲勞狀態的實時檢測，根據疲勞特征值可以實現對清醒、輕度疲勞和重度疲勞三種狀態的評定。該疲勞檢測系統具有便攜式、低功耗和小型化的特點，能夠應用在條件惡劣的環境中，具有較高的應用價值。

本發明腦電信號的四種節律分別體現人體的不同狀況：δ波是指人體處于無意識情形；θ波指大腦處于輕松的環境；α波大腦思維清晰，學習和思考快速，敏捷；β波主要體現在人體緊張時的腦電變化。針對原始腦電信號，利用β波進行分析。腦電原始信號和通過小波db4進行5層分解去噪后的對比圖，如圖1所示。腦電信號的幅值范圍在0～100μV之間，信號非常微弱，容易受到50Hz工頻，采集線抖動等外界因素的干擾。腦電信號具有非平穩性，對于腦電信號特征提取采用了C0復雜度、KC復雜度。C0復雜度表示的是信號中非規則成分所占的比例，腦電信號是非線性信號，大腦活動越強烈，非規則成分越高，即C0復雜度的值越大。KC復雜度從測量信號的隨機序列的復雜性程度，心理壓力越大，腦電復雜度更強，KC復雜度值更大。

本發明在對心電信號進行預處理時，采用小波算法進行預處理，對比圖如圖2所示，心電信號是具有一定規律性的生理信號，一個循環周期內包含P、Q、R、S、T五種波形，正常人的五種波形的周期在0.75s，所以我們可以根據一個人的心電波形幅值和波形形態以及一個周期的時間來判斷其心臟是否正常。去噪后的心電信號R波檢測結果如圖4所示。

本發明在對肌電信號進行處理時，表面肌電信號是一種不規則的信號，幅值范圍在0～1.5mv，主要頻率范圍為0～150Hz。根據肌電信號的幅值和頻率范圍，主要采用小波去噪去除高頻部分噪聲和中值濾波器去除基線漂移的方法進行預處理。肌電信號預處理前后的波形如圖3所示。肌電信號的特征主要為時域和頻域特征。肌電信號在壓力增大的情況下，幅值波動明顯要比壓力小的狀態下大，本文提取肌電信號的特征值有表示肌電信號均值、方差、幅值最大值、最小值以及二階差分的均值、方差最大值、最小值等。

目前針對清醒狀態和疲勞狀態的大量數據(此數據可以是根據每個人定制的個人清醒狀態和疲勞狀態數據庫)，提取生理信號的C0復雜度、KC復雜度等特征，通過SVM分類器進行分類，簡歷清醒和疲勞模型，再進一步根據實時腦電信號以及其他生理信號進行疲勞度分析，通過腦電信息進行判斷是否疲勞，然后再通過分別提取的心電、肌電、呼吸、血氧以及姿態等信息進行分別判斷是否疲勞，對使用腦電的判斷進行反向驗證。通過心電、肌電、呼吸、血氧以及姿態等多維生理信號的融合，實現疲勞度的精確評定。