基于腦電波信號(hào)的人體疲勞程度測(cè)試模型分析

顧宣宣 李魯群 杜如東

摘 要： 針對(duì)人體疲勞程度檢測(cè)問(wèn)題，采集被測(cè)試者的腦電圖（EEG）信號(hào)，利用閾值小波變換對(duì)EEG信號(hào)進(jìn)行消噪處理，提取腦電波中的特征值，分析疲勞程度與特征值的相關(guān)性，建立腦電波信號(hào)與疲勞程度的數(shù)學(xué)模型，并用十折交叉驗(yàn)證法來(lái)驗(yàn)證該模型的準(zhǔn)確率.結(jié)果表明：該模型檢測(cè)人體疲勞程度的準(zhǔn)確率可以達(dá)到96%以上.

關(guān)鍵詞： 腦電圖（EEG）信號(hào); 疲勞程度; 小波變換; 數(shù)學(xué)模型; 十折交叉驗(yàn)證法

中圖分類(lèi)號(hào)： TP 391文獻(xiàn)標(biāo)志碼： A文章編號(hào)： 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

目前國(guó)內(nèi)外對(duì)疲勞駕駛檢測(cè)[1]的研究方法有：1） 根據(jù)駕駛員的生理反應(yīng)特征進(jìn)行檢測(cè)，該方法主要采用面部識(shí)別技術(shù)定位眼睛、嘴角等部位進(jìn)行綜合分析，通過(guò)對(duì)其眼球的追蹤，評(píng)估駕駛員的專(zhuān)注度;2） 基于駕駛員操作行為的檢測(cè)，通過(guò)駕駛員的操作行為推斷駕駛員的疲勞程度.BEIRNESS等[2]在仿真實(shí)驗(yàn)測(cè)試的基礎(chǔ)上，獲取駕駛員模擬行車(chē)過(guò)程中轉(zhuǎn)彎時(shí)的轉(zhuǎn)角信號(hào)，并利用小波理論對(duì)該信號(hào)進(jìn)行處理，根據(jù)非線(xiàn)性方法確定不同狀態(tài)下的轉(zhuǎn)角信號(hào)特征，確定其疲勞程度.目前，基于Photoplethysmogram （PPG） 的脈沖傳感器疲勞度測(cè)試法是國(guó)內(nèi)比較新的研究方法[3].

本文作者基于腦電圖（EEG）信號(hào)提出一套具體的疲勞程度檢測(cè)模型，并驗(yàn)證了該模型的檢測(cè)準(zhǔn)確率.

1 EEG信號(hào)疲勞檢測(cè)模型

1.1 EEG信號(hào)數(shù)據(jù)的獲取

1.1.1 選擇測(cè)試樣本

選擇年齡處于20～26歲之間，無(wú)腦部疾病，并且具備一定受教育程度的4對(duì)青年男女，并確保他們沒(méi)有接受過(guò)類(lèi)似的測(cè)試，以免造成心理負(fù)擔(dān).

1.1.2 實(shí)驗(yàn)設(shè)備

使用神念科技的生物傳感器TinkGear獲取生物電信號(hào)的數(shù)據(jù).TinkGear每秒輸出一次采集數(shù)據(jù)，每次輸出512個(gè)小數(shù)據(jù)包以及1個(gè)大數(shù)據(jù)包，本研究數(shù)據(jù)主要取自大數(shù)據(jù)包中的13個(gè)波段.將TinkGear與電腦終端相連，以顯示腦電波信號(hào)特征值.

通過(guò)兩個(gè)干電極，將TGAM芯片與測(cè)試者頭部相連，其中一個(gè)干電極貼于測(cè)試者的腦門(mén)，另外一個(gè)電極夾在測(cè)試者的左耳.

使用藍(lán)牙3.0 HB05作為通信模塊，將由TGAM芯片采集到的EEG信號(hào)發(fā)送到TinkGear[4].

EEG信號(hào)屬于微弱信號(hào)，易被外界環(huán)境干擾，因此在測(cè)試過(guò)程中，要保證測(cè)試環(huán)境安靜.

1.1.3 實(shí)驗(yàn)過(guò)程

測(cè)試之前，測(cè)試者身體無(wú)不良反應(yīng)，沒(méi)有精神或心理上的負(fù)擔(dān)，沒(méi)有飲用一些刺激身體或大腦神經(jīng)的飲品.實(shí)驗(yàn)過(guò)程中，要求測(cè)試者朗讀一段文字，內(nèi)容根據(jù)每個(gè)測(cè)試者的情況而定.整個(gè)測(cè)試過(guò)程中，要求測(cè)試者保持坐姿不變.

測(cè)試頻次為：1） 測(cè)試者起床，吃完早飯，休息約2 h之后，進(jìn)行一次測(cè)試，記為狀態(tài)1;2） 測(cè)試者工作2 h后，進(jìn)行一次測(cè)試，記為狀態(tài)2;3） 測(cè)試者結(jié)束1 d后，進(jìn)行一次測(cè)試，記為狀態(tài)3.

1.2 實(shí)驗(yàn)結(jié)果分析

1.2.1 原始數(shù)據(jù)的處理

將電腦終端顯示的腦電波信號(hào)特征值（α，β，θ）錄入text文檔，采用小波變換降噪方式對(duì)采集到的數(shù)據(jù)進(jìn)行消噪處理[5-6].對(duì)含噪信號(hào)進(jìn)行多尺度小波變換，在各尺度下盡可能提取信號(hào)的小波系數(shù)，去除屬于噪聲的小波系數(shù)，最后采用小波變換重構(gòu)信號(hào)，從而達(dá)到去噪的目的[7].

1.2.2 建模擬合

根據(jù)腦電波信號(hào)特征比值檢驗(yàn)測(cè)試者的疲勞程度[8]，采用十折交叉驗(yàn)證法[9]作為本實(shí)驗(yàn)的驗(yàn)證算法，隨機(jī)抽取90%的樣本作為數(shù)據(jù)估算集合，剩余的10%作為對(duì)模型的測(cè)試集合.表1為部分?jǐn)M合標(biāo)準(zhǔn)數(shù)據(jù)的確定系數(shù).

3 結(jié) 論

提出了一套針對(duì)人體疲勞程度的檢測(cè)模型，并用十折交叉驗(yàn)證法檢驗(yàn)該模型的準(zhǔn)確率，結(jié)果表明：該模型的準(zhǔn)確率達(dá)到96%以上，故所建立的模型具有一定參考價(jià)值.

參考文獻(xiàn)：

[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，石銳，何慶華，等.腦機(jī)接口（BCI）系統(tǒng)的實(shí)時(shí)數(shù)據(jù)傳輸技術(shù)研究[J].計(jì)算機(jī)科學(xué)，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(zé)任編輯：包震宇）