本發明涉及生物醫學工程，特別涉及一種用于疲勞檢測的敏感腦區和腦電特征的確定方法、用于疲勞檢測的敏感腦區和腦電特征的確定方法裝置、疲勞檢測方法、電子設備和計算機可讀存儲介質。

背景技術：

1、由于長時間、不規律、夜航及跨時區飛行變化等原因，飛行人員容易出現睡眠不足、易于疲勞、生物節律發生改變的情況，嚴重影響飛行人員的工作能力，容易引發飛行安全隱患，飛行疲勞的預防和監控是當前航空航天醫學研究的重要課題之一。航空事故中，約有75％的事故與人的失誤有關，而飛行疲勞導致的工作能力下降是造成事故的重要原因。因此，建立飛行疲勞的動態監測系統，對保證飛行安全有著十分重要的意義。

2、判定飛行疲勞的方法很多，如量表評定法、客觀觀察法和生理生化學方法，但評定體系尚未成熟。疲勞評定量表之類的主觀方法，并不能客觀地反映疲勞人員的實際功能狀態。客觀觀察法包括頭部位置感應、嘴部狀態檢測、瞳孔測量、視覺運動檢測和眼瞼閉合百分比檢測等方法，這些技術以長航運輸機飛行員和民航飛行員這種低負荷、長時間腦力消耗人群為研究對象，對于作業強度大、疲勞敏感度高的軍事飛行員不適用。

3、腦電信號具有時間分辨率高、功能特異性強等優勢，因此腦電信號已經成為了基于生理信號檢測疲勞的金標準。

4、然而，現有技術中，通過腦電信號進行疲勞檢測仍然存在以下問題。

5、通過腦電信號進行疲勞檢測的指標不統一。2009年有研究利用腦電信號判斷駕駛員的疲勞程度，使用模擬駕駛實驗發現腦電功率譜的比值(α+θ)/β越大，疲勞等級越高；2013年有研究人員進行了實際的長途客車駕駛員疲勞狀態腦電特征分析，腦電采集在駕駛間隙進行，得出θ/β越大，疲勞等級越高的結論；2021年，有研究人員發現隨著疲勞的累計腦電的瑞麗熵會持續升高；2021年有研究人員發現前額葉是疲勞的敏感腦區，其中腦功能連接指標對于疲勞識別模型的貢獻度最大。因此可以看出，疲勞檢測的指標和方法并未達成共識和定論。

6、腦電疲勞檢測的精度和使用便捷性之間存在一定的矛盾。高精度的腦電疲勞檢測通常需要復雜的設備和多個電極來捕捉大腦的電活動。例如，一些研究中使用了多達64個導聯的eeg采集系統來同步采集被試的腦電信號。這種復雜的設置在實驗室環境中可以實現較高的精度，但在實際應用中，如駕駛或工作場所，可能會因為設備的復雜性和不便攜性而降低其使用便捷性。

7、為了提高檢測精度，研究者們通常會從eeg信號中提取大量的特征，并使用復雜的算法進行特征選擇。例如，有研究提出了使用深度網絡進行多級特征生成，結合一維二進制模式(bp)和統計特征，以及一維離散小波變換(1d-dwt)來創建多層特征。這些高級的特征提取和選擇方法雖然可以提高精度，但也增加了系統的復雜性，不利于實時便捷的使用。

8、高精度的腦電疲勞檢測往往還需要復雜的算法來處理和分析數據。例如，卷積神經網絡(cnn)被用于自動提取腦電信號的特征，并進行狀態分類。雖然這些算法在分類正確率上表現出色，但它們通常需要較高的計算資源，這可能限制了它們在移動或低功耗設備上的實時應用。

9、為了獲得高質量的腦電信號，用戶通常需要佩戴多個電極，這可能會引起不適，尤其是在長時間使用時。有研究提出使用前額eeg信號來設計便攜式駕駛員疲勞檢測框架，以減少佩戴不適并提高使用便捷性。然而，減少電極數量可能會影響信號的質量，從而影響檢測的精度。

10、高精度的腦電疲勞檢測設備往往成本較高，這限制了它們的普及性。而低成本的設備可能無法提供足夠的精度，從而在實際應用中的效果受到限制。

11、由此可見，如何選出用于疲勞檢測的敏感腦區、選出敏感度高一致性好的腦電指標，且使選出的敏感腦區和腦電指標的數量盡可能少、易于計算是一大難點。

技術實現思路

1、本發明提出了一種用于疲勞檢測的敏感腦區和腦電特征的確定方法，用以解決上述問題。

2、第一方面，本發明的實施方式公開了一種用于疲勞檢測的敏感腦區和腦電特征的確定方法，敏感腦區為頭部采集腦電特征的區域，確定方法包括：

3、在頭部選擇多個信號采集位置并采集每個信號采集位置對應的清醒腦電信號和疲勞腦電信號；其中，清醒腦電信號為清醒狀態下的腦電信號，疲勞腦電信號為疲勞狀態下的腦電信號；

4、根據每個信號采集位置采集的清醒腦電信號和疲勞腦電信號確定清醒腦電信號對應的多種清醒腦電特征和疲勞腦電信號對應的多種疲勞腦電特征；

5、確定每個信號采集位置的同種類型的清醒腦電特征和疲勞腦電特征的差異程度，并按照差異程度的大小對信號采集位置以及對應的腦電特征進行排序，得到排序結果，根據排序結果從位于預設高差異程度范圍內的信號采集位置和腦電特征中選擇最終信號采集位置和最終腦電特征作為敏感腦區和用于進行疲勞判斷的腦電特征；其中，預設高差異程度范圍為在排序里差異程度相對較高的范圍。

6、采用上述技術方案，本發明的用于疲勞檢測的敏感腦區和腦電特征的確定方法能夠比較出不同信號采集位置采集的同種類型的清醒腦電特征和疲勞腦電特征的差異程度，還能比較不同類型的腦電特征對疲勞的敏感程度，進而通過排序選出位于預設高差異程度范圍內的信號采集位置和腦電特征，進而再選出敏感腦區和用于進行疲勞判斷的腦電特征，能夠準確地選出適合用于疲勞檢測的敏感腦區和腦電特征，且還能使選出的敏感腦區相對較少，選出的腦電特征相對更容易計算。

7、根據本發明的另一具體實施方式，清醒腦電特征和疲勞腦電特征的類型包括非周期偏移特征和非周期伸縮變換特征，腦電信號的非周期偏移特征和非周期伸縮變換特征通過以下方式確定：

8、確定腦電信號的對數功率譜；

9、根據對數功率譜通過以下公式1進行非線性擬合，得到對應的擬合曲線：

10、l(f)＝a-b×log(p(f))(公式1)

11、其中，l(f)為擬合曲線，p(f)為對數功率譜，a為擬合曲線的偏移參數，b為擬合曲線的伸縮變換參數，a和b通過最小二乘法擬合確定，f為腦電信號的頻率，f的范圍為2-5hz和14-30hz；

12、確定公式1中的偏移參數a為非周期偏移特征，確定公式1中的伸縮變換參數b為非周期伸縮變換特征。

13、根據本發明的另一具體實施方式，清醒腦電特征和疲勞腦電特征的類型還包括α波頻帶能量特征和α波頻帶峰值特征，腦電信號的α波頻帶能量特征和α波頻帶峰值特征通過以下方式確定：

14、根據對數功率譜和擬合曲線通過以下公式2確定α波頻譜周期分量：

15、p′(f)＝p(f)-l(f)(公式2)

16、其中，p′(f)為α波頻譜周期分量，l(f)為擬合曲線，p(f)為對數功率譜，f為腦電信號的頻率；

17、根據α波頻譜周期分量通過以下公式3確定α波頻譜周期能量分量：

18、p″(f)＝10×10p′(f)(公式3)

19、其中，p′(f)為α波頻譜周期分量，p″(f)為α波頻譜周期能量分量，f為腦電信號的頻率；

20、根據α波頻譜周期能量分量確定α波頻帶能量特征和α波頻帶峰值特征。

21、根據本發明的另一具體實施方式，在頭部的多個信號采集位置中的每個信號采集位置分別采集對應的清醒腦電信號和疲勞腦電信號，具體包括：

22、在頭部的多個信號采集位置中的每個信號采集位置分別采集對應的原始清醒腦電信號和原始疲勞腦電信號；

23、對原始清醒腦電信號和原始疲勞腦電信號進行預處理，得到清醒腦電信號和疲勞腦電信號；其中，預處理的方式包括以下幾種中的至少一種：數據分段、去平均、濾波、加窗。

24、根據本發明的另一具體實施方式，同種類型的清醒腦電特征和疲勞腦電特征的差異程度通過特征選擇算法確定，根據排序結果從位于預設高差異程度范圍內的信號采集位置和腦電特征中選擇最終信號采集位置和最終腦電特征，具體包括：

25、確定預設高差異程度范圍內不同信號采集位置和不同腦電特征的出現次數；

26、選擇出現次數相對較多的信號采集位置和腦電特征作為特征選擇算法對應的位置與特征待選數據集，從位置與特征待選數據集中選擇最終信號采集位置和最終腦電特征。

27、根據本發明的另一具體實施方式，特征選擇算法為多個，根據排序結果從位于預設高差異程度范圍內的信號采集位置和腦電特征中選擇最終信號采集位置和最終腦電特征，還包括：

28、獲取每個特征選擇算法對應的位置與特征待選數據集；

29、在多個所述位置與特征待選數據集的并集中，選擇出現次數相對較多的信號采集位置和腦電特征作為最終信號采集位置和最終腦電特征。

30、根據本發明的另一具體實施方式，多個特征選擇算法包括基于機器學習的特征選擇算法和基于統計學的特征選擇算法。

31、根據本發明的另一具體實施方式，多個特征選擇算法包括最小冗余最大相關性mrmr算法、卡方chi-square檢驗算法、relieff算法、kruskal-wallis檢驗算法、基于支持向量機的遞歸特征排序算法svm-ref。

32、根據本發明的另一具體實施方式，根據排序結果從位于預設高差異程度范圍內的信號采集位置和腦電特征中選擇最終信號采集位置和最終腦電特征，具體包括：

33、獲取疲勞檢測模型，疲勞檢測模型通過信號采集位置和腦電特征進行疲勞檢測；

34、從預設高差異程度范圍內選擇待定信號采集位置和待定腦電特征，將待定信號采集位置和待定腦電特征輸入疲勞檢測模型并進行疲勞檢測，確定疲勞檢測模型進行疲勞判斷的準確率；

35、改變待定信號采集位置和待定腦電特征的個數和/或類型，并將改變后的待定信號采集位置和待定腦電特征輸入疲勞檢測模型以確定進行疲勞判斷的準確率，直至獲得最少個數且確定的準確率滿足預設高準確率條件的待定信號采集位置和待定腦電特征，將最后一次改變對應的待定信號采集位置和待定腦電特征確定為最終信號采集位置和最終腦電特征。

36、第二方面，本發明的實施方式公開了一種用于疲勞檢測的敏感腦區和腦電特征的確定裝置，敏感腦區為頭部采集腦電特征的區域，確定裝置包括：

37、信號采集模塊，用于在頭部選擇多個信號采集位置并采集每個信號采集位置對應的清醒腦電信號和疲勞腦電信號；其中，清醒腦電信號為清醒狀態下的腦電信號，疲勞腦電信號為疲勞狀態下的腦電信號；

38、特征計算模塊，用于根據每個信號采集位置采集的清醒腦電信號和疲勞腦電信號確定清醒腦電信號對應的多種清醒腦電特征和疲勞腦電信號對應的多種疲勞腦電特征；

39、敏感腦區和腦電特征確定模塊，用于確定每個信號采集位置的同種類型的清醒腦電特征和疲勞腦電特征的差異程度，并按照差異程度的大小對信號采集位置以及對應的腦電特征進行排序，得到排序結果，根據排序結果從位于預設高差異程度范圍內的信號采集位置和腦電特征中選擇最終信號采集位置和最終腦電特征作為敏感腦區和用于進行疲勞判斷的腦電特征；其中，預設高差異程度范圍為在排序里差異程度相對較高的范圍。

40、采用上述技術方案，本發明的用于疲勞檢測的敏感腦區和腦電特征的確定裝置能夠比較出不同信號采集位置采集的同種類型的清醒腦電特征和疲勞腦電特征的差異程度，還能比較不同類型的腦電特征對疲勞的敏感程度，進而通過排序選出位于預設高差異程度范圍內的信號采集位置和腦電特征，進而再選出敏感腦區和用于進行疲勞判斷的腦電特征，能夠準確地選出適合用于疲勞檢測的敏感腦區和腦電特征，且還能使選出的敏感腦區相對較少，選出的腦電特征相對更容易計算。

41、第三方面，本發明的實施方式公開了一種疲勞檢測方法，采用前述任一實施方式中的用于疲勞檢測的敏感腦區和腦電特征的確定方法確定的敏感腦區和腦電特征進行疲勞檢測。

42、采用上述技術方案，本發明的疲勞檢測方法能夠通過盡可能少的敏感腦區和腦電特征實現準確的疲勞檢測，且能夠減少計算量。

43、根據本發明的另一具體實施方式，確定的敏感腦區包括10-20國際標準導聯系統的f3、f4、o1、o2、oz電極位置，確定的腦電特征包括δ波能量特征、θ波能量特征、α波能量特征、α波峰值特征、β波能量特征、非周期偏移特征、非周期伸縮變換特征、α波頻帶能量特征和α波頻帶峰值特征。

44、第四方面，本發明的實施方式公開了一種電子設備，包括處理器和存儲器，存儲器中存儲有至少一條指令，至少一條指令在被處理器執行時實現前述任一實施方式中的用于疲勞檢測的敏感腦區和腦電特征的確定方法，和/或，實現前述任一實施方式中的疲勞檢測方法。

45、采用上述技術方案，電子設備能夠比較出不同信號采集位置采集的同種類型的清醒腦電特征和疲勞腦電特征的差異程度，還能比較不同類型的腦電特征對疲勞的敏感程度，進而通過排序選出位于預設高差異程度范圍內的信號采集位置和腦電特征，進而再選出敏感腦區和用于進行疲勞判斷的腦電特征，能夠準確地選出適合用于疲勞檢測的敏感腦區和腦電特征，且還能使選出的敏感腦區相對較少，選出的腦電特征相對更容易計算。此外，在進行疲勞檢測時，還能夠通過盡可能少的敏感腦區和腦電特征實現準確的疲勞檢測，且能夠減少計算量。

46、第五方面，本發明的實施方式公開了一種計算機可讀存儲介質，計算機可讀存儲介質中存儲有至少一條指令，至少一條指令在被執行時實現任一實施方式中的用于疲勞檢測的敏感腦區和腦電特征的確定方法，和/或，實現前述任一實施方式中的疲勞檢測方法。

47、采用上述技術方案，計算機可讀存儲介質能夠比較出不同信號采集位置采集的同種類型的清醒腦電特征和疲勞腦電特征的差異程度，還能比較不同類型的腦電特征對疲勞的敏感程度，進而通過排序選出位于預設高差異程度范圍內的信號采集位置和腦電特征，進而再選出敏感腦區和用于進行疲勞判斷的腦電特征，能夠準確地選出適合用于疲勞檢測的敏感腦區和腦電特征，且還能使選出的敏感腦區相對較少，選出的腦電特征相對更容易計算。此外，在進行疲勞檢測時，還能夠通過盡可能少的敏感腦區和腦電特征實現準確的疲勞檢測，且能夠減少計算量。