[发明专利]基于线性预测分析与堆叠融合的混合模态疲劳检测方法

说明书

本发明公开了一种基于线性预测分析与堆叠融合的混合模态疲劳检测方法，包括步骤：采集脑电EEG信号和眼电EOG信号；进行基于快速独立主成分分析算法的盲源分离，得到多通道前额EOG信号和多通道纯净的EOG信号；进行线性预测分析，求解线性预测倒谱系数；进行墨西哥帽连续小波变换检测峰值，对正负峰值进行编码，从编码序列中提取眼电信号反映的注视、扫视、眨眼的统计特征；进行回归训练，获得疲劳程度预测结果。本发明在探索利用脑电和眼电生理信号检测疲劳状态规律的基础上开展了疲劳检测脑电眼电信号处理、特征提取及回归训练方法研究，充分利用脑电和眼电中反映的疲劳相关特征信息，有效提高了基于脑电眼电混合模态的疲劳检测的准确率。

技术领域

本发明涉及脑电信号处理技术领域，具体地指一种基于线性预测分析与堆叠融合的混合模态疲劳检测方法。

背景技术

精神疲惫通常是由持续时间较长或者强度过大的脑力活动导致的大脑活动能力或者效率下降的状态。精神疲劳是众多安全事故的主要诱因之一，尤其是对于从事需要持续性保持警惕状态的从业者而言，例如汽车和飞机的驾驶员，精神疲劳会导致驾驶员注意力不足，反应迟缓，应对不可控的危险事件的能力下降，增加潜在的驾驶风险。如何有效的检测工作者的疲劳状态对于超负荷的危险工作行为给予预警是一项十分有意义的研究工作。

目前用于评估精神疲劳状态的方法主要可分为两大类：基于主观调查的检测方法和基于生理信号的客观检测方法。主观调查的检测方法主要是通过自我判断或他人判断，以填写调查问卷（如Chalder疲劳量表，Fatigue Scale-14疲劳量表）的形式，评估主体的疲劳程度。这种形式虽然实施简单，但主观性太强，实时性不足，无法准确获知主体的疲劳状态水平。基于生理信号的客观检测方法主要是通过从评判主体身上采集脑电信号(Electroencephalogram, EEG)、眼电信号（Electrooculogram，EOG）、心电信号(Electrocardiogram, ECG)、肌电信号(Electromyogram, EMG)等生理信号，从这些生理信号中研究疲劳发生时的信号变化规律，提取疲劳相关的信号特征，用以反映精神疲劳水平。基于生理信号分析的检测方法虽然对于信号采集设备有特定要求，处理复杂，但是疲劳检测的指标客观，准确性更高，实时性好，具有更加广泛的应用前景。EEG信号采自人的大脑头皮表面，直接记录了与警觉性相关的神经生理信号，对于精神状态指示具有客观性强，实时性高的优点，被普遍认为是一种可靠的警觉度估计方法。EOG信号包含了眼睑和眼球运动信息，而人在疲劳时通常会不自觉地降低眨眼频率，减少眼球活动，因此分析EOG信号提取眼动特征信息是疲劳检测中最常用、最有效的手段之一。

尽管基于EEG的疲劳检测指标客观，时间分辨率高，但是EEG信号主体差异性很大，从不同受试者那里采集的EEG信号反映同一疲劳水平的信号特征可能因为差异太大进而导致模型的泛化能力不强，无法在人群中大规模通用。而基于EOG的疲劳检测缺点在于时间分辨率差，因为EOG反映的特征仅在一段较长的数据片段上才具备统计意义，这就决定了基于EOG的疲劳检测对于受试者疲劳发生过程中的早期阶段检测效果不佳。现有的基于生理信号疲劳检测算法的准确率亟需提升。

发明内容

为了解决上述技术问题，本发明提出一种基于线性预测倒谱系数（linearprediction cepstral coefficients，LPCC）与堆叠融合的混合模态疲劳检测方法，将堆叠融合算法将脑电模态与眼电模态融合，充分利用脑电和眼电中各自反映生理疲劳的信息，提高基于脑电和眼电混合模态信号的疲劳检测的准确率。

为实现上述目的，本发明所设计的一种基于线性预测分析与堆叠融合的混合模态疲劳检测方法，其特殊之处在于，所述方法包括如下步骤：

S1：采集被检测者的脑电EEG信号和眼电EOG信号；

S2：将所述脑电EEG信号和眼电EOG信号通过带通滤波器处理，得到多通道EEG信号和EOG信号；