基于脑电波的人体疲劳度评价方法

1.一种基于脑电波的人体疲劳度评价方法，该方法的实现依次包括以下步骤：
第一步，利用ThinkGear AM脑电波芯片获取训练样本，并从中提取脑电波特征参数，将其作为神经网络的预输入参数，同时根据被测对象填写的主观调查表获取评价结果，作为神经网络的输出，并将采集到的样本分为训练组和测试组；
第二步，将提取到的特征参数作归一化处理，作为神经网络的直接输入，并将对应的疲劳度评价结果规定由1~5这五个数值代替，作为网络的直接输出，利用训练组数据进行训练，根据实际输出和期望输出的差异，不断调整各节点连接权值和阈值，初步完成网络的建立；
第三步，利用测试组的数据对建立的网络进行测试，检验该网络能否达到预期的效果，由此对网络进行重复训练，不断提高其评价的正确性，最终完成网络的建立，
其特征在于，第一步中所提取的脑电波特征参数分为四类：
第一类，原始δ波、θ波、α波、β波、γ波5种脑电波信号的变异系数，
δ波在成人入睡后,或成年人困倦时出现；θ波，少年或成年人困倦时出现；α波在人清醒、安静、闭眼及正常血糖范围情况下出现；β波在人睁眼和大脑皮层处在紧张活动状态时出现(即正常人白天工作时会出现的脑电波)；γ波在人进入慢波睡眠时出现，变异系数是衡量数据中各观测值变异程度的一个统计量，当进行两个或多个资料变异程度的比较时，如果资料的度量单位与平均数相同，可以直接利用标准差来比较，如果资料的单位和(或)平均数不同时，比较其变异程度就不能采用标准差，而需采用标准差与平均数的比值来比较，标准差与平均数的比值称为变异系数，故利用变异系数来观测各脑电信号的变异程度，其计算公式为：
变异系数=（标准偏差/平均值)*100% （ 1）
第二类，基于α波的复杂度、功率谱熵两种非线性参数，复杂度是从一维的角度反映数据序列随其长度的增长出现新模式的速率，反映了数据在结构上的复杂性，包含有很多的信息，规则运动(稳态和周期运动)的复杂度等于0，随机运动(理想白噪声)为1，混有噪声的规则运动、色噪声和混沌的复杂度介于0和1之间， 根据Lempel-Ziv复杂度计算方法，首先要将数据序列符号化，符号序列复杂度计算过程如下：
令c(n)为某一给定的符号序列S=(s1,s2,……,sn)的复杂度，其中si代表一个字符，分别令S，Q代表两个字符串，SQ表示由S，Q两个字符串组成的总字符串，SQP表示把SQ最后一个字符删除的字符串，其中，P表示删除最后一个字符的操作，令V(SQP)表示SQP所有不同字串的集合，c(n)，S，Q初始化为c(n)=1，S=s1，Q=s2，可以得SPQ=s1，假定S= s1,s2,……,sr，Q=sr+1，如果Q∈V(SQP),则表示sr+1是S= s1,s2,……,sr的一个子字符串，则S不变，只需将Q更新为Q= sr+1sr+2，然后再判断Q是否属于V(SQP)，上述过程循环进行，直到Q∉V(SQP)为止，假设此时Q=sr+1,sr+2,……,sr+i，即sr+1,sr+2,……,sr+i不是s1,s2,……,sr+i-1的子字符串，因此c(n)的值将增加1，然后将Q组合到S中，使S更新为s1,s2,……,sr,sr+1,sr+2,……,sr+i，取Q为sr+i+1，重复以上步骤，直到Q取到最后一位，这样就把S=(s1,s2,……,sn)分成了c(n)个不同的子串，且根据研究，对几乎所有属于[0,1]区间的x对应的二进制分解所表示的序列都会趋向一个定值
n
Limn->∞c(n)=b(n)=n/log2 （ 2）其中b(n)是随机序列的渐进行为，可以用它来使c(n)归一化，称为“归一化复杂度”，CLZN(n)=c(n)/b(n) （ 3）功率谱熵是一种脑电复杂性分析的指标，从频域分析和非线性动力学分析的角度测量时间序列的复杂度，其谱熵值规律表现为信号中具有明显的振荡节律，即信号波形有规律，当信号波形较为规律时，脑电波功率谱中存在的谱峰越狭窄，谱熵越小；反之，信号波形为无规律随机信号时，功率谱越平坦，谱熵越大，由α波的采样数据，根据FFT变换可以得到功率谱密度P(x),假设时间序列的离散傅里叶变换为X(x),则其功率谱密度为
2
P(x)= |X(x)| /N （ 4）将功率谱P(x)按ψ照总的谱的功率进行归一化可得功率谱的概率密度分布函数
Pw.定义相应的功率谱信息熵,简称功率谱熵，即
Hw=-∑Pwlog(Pw) （ 5）第三类，由脑电波中δ波、θ波、α波和β波4个基本节律的能量计算出的疲劳指数F，
F=(Eδ+Eθ)/(Eα+Eβ) （ 6）其中δ波、θ波、α波、β波四个信号波为随机信号，由Parseval定理，能量谱密度曲线下的面积等于信号幅度平方下的面积，总的能量是：
∞ 2 ∞ 2
∫-∞ |f(t)|dt= ∫-∞ |ψ(w)|dw （ 7）
对于离散时间序列，Parseval定理依旧成立，利用在时域中测量得到的离散时间序列数据，能量可以用平方和进行计算；
第四类，借助于脑电波信号所提取出的放松度和专注度两个参数的平均值，专注度和放松度是各种脑电波的综合体现，其中专注度可以被简单地认为是脑电α波被抑制的程度，而放松度则为α波，特别是中频α波活跃时的外在表现，专注度能够反映人体注意力的集中程度；放松度主要反映人体的精神状态，它们是大脑各种不同脑电波活动的集中表现，两者的值均可由脑电芯片内置算法直接获得。
2.根据权利要求1所述的基于脑电波的人体疲劳度评价方法，其特征在于采用了PNN神经网络对疲劳程度进行评判。
3.根据权利要求1所述的基于脑电波的人体疲劳评价方法，其特征在于采用了人体在各种疲劳状态下，将各项脑电波特征参数归一化处理后作为输入，并将疲劳度进行分类后，由一数值代替作为输出对PNN神经网络进行训练。

暂无