低覺醒腦電識別與喚醒的可穿戴系統研究

楊建平，劉明華，呂敬祥，孔翠香，帥曉勇

（井岡山大學 電子與信息工程學院，江西 吉安 343009）

在現代化的機械設備中，智能化、自動化程度不斷提升，機械設備的操作變得越來越簡單，但操控機械設備時要求作業人員持續保持覺醒—警戒作業，如車輛駕駛、空中飛機作業、加工機械的操作與控制、自動化生產的實時監控等；在這類行業中，作業人員工作單調、乏味，容易導致生理疲勞、心理厭倦、注意力不集中，即處于低覺醒水平，對目標警戒能力下降。當警戒下降時，輕者只是績效下降，重者會導致非常嚴重的事故，因而設計并生產智能化的、可穿戴的監測及喚醒設備對警戒作業人員狀態進行識別，及時喚醒低覺醒狀態對提高工作績效、安全生產具有非常重要的意義。

采用恰當的低覺醒狀態表現特征、在線測量并計算作業人員的狀態特征、評估覺醒水平，是自動化生產中的一項重要課題[1]。目前類似研究主要有：1)借助提取呼吸信號和哈欠頻繁次數等作為判定疲勞狀態特征參數的實時監測系統[2-3]；2)運用數字圖像處理方法提取作業人員的面部表情來判斷駕駛員是否處于覺醒狀態的系統[4]；3)采用眼電、心電、肌電等生理特征量的覺醒判別方法[5-7]； 4)結合眼動、方向盤轉動及生理狀態等疲勞作業特征的駕駛員精神狀態的監測方法[8]。上述的眾多研究中，呼吸信號、面部表情、方向盤轉動等表現特征是覺醒水平下降的表現，但覺醒水平下降并不表明相應特征一定出現，用來表征低覺醒水平不夠理想，另外通過圖像采集相關特征的系統具有明顯的滯后性，預警效果較差；眼電、心電、肌電等生理特征難于全面、恰當地評價人體的覺醒狀態。腦電(electroencephalogram，EEG)信號被認為更適合作為覺醒狀態檢測的指標[9-10]，具有無創性，能及時、準確地反映警戒人員的狀態，是目前最客觀、最常用的研究覺醒狀態的生理指標。例如，當警戒作業人員的覺醒水平下降時，EEG信號也發生相應的變化，通過處理、分析作業人員的EEG信號可判斷作業員是否處于覺醒狀態，并在出現低覺醒狀態時發出喚醒警告，促使作業人員保持覺醒狀態。本文對警戒作業人員的EEG進行監控，提取EEG信號，用信號處理方法、模式識別手段，設計一種低覺醒狀態的監測系統，對警戒作業人員的狀態進行識別、報警及喚醒。

1 系統框架

現場可編程門陣列(field programmable gate array，FPGA)具有非常好的并行處理功能，已發展為一門與數字信號處理密切相關的技術，其多通道、實時性能夠很好地滿足EEG信號處理的要求[11]。在現代化裝備上開發的EEG狀態監控系統具有可穿戴性、操作簡單，能夠實時監測、改善作業人員的大腦精神狀況。系統的硬件平臺主要基于Alter公司的DE2開發板，開發板內部采用片上可編程系統(system-on-a-programmable-chip，SOPC) 技術把NiosⅡ軟核處理器、存儲器、功能接口以及擴展I/O口等部件集成在一塊FPGA芯片上，在開發板的外圍擴展腦電數據采集板、A/D轉換器、SD存儲卡等硬件設施來實現系統的硬件結構，另外還專門準備了可擴展的I/O接口，以備可能的監控系統功能升級及擴展應用。

狀態監控系統主要分為單電極EEG信號采集、模數轉換器、EEG信號處理模塊、SVM特征識別模塊以及語音報警模塊，EEG信號處理模塊主要通過頻譜的計算獲取4個EEG狀態特征，組成特征向量，系統結構框圖如圖1所示。

2 低覺醒狀態EEG信號采集及特征分析

2.1 單電極EEG信號采集端

單電極EEG信號采集相比多電極簡單，更易于可穿戴化。EEG采集模板示意圖如圖2所示，通過置于頭皮上的傳感器從大量的噪聲中提取微弱的腦電信號，采集過程中EEG信號處于極化電壓、高頻干擾、50 Hz工頻等各種干擾，在模數轉換前應設計前置放大電路、高通濾波器、低通濾波器和50 Hz 陷波器、20 000倍左右信號放大電路，整個電路需處于隔離電源電路的保護之下。

圖 2 EEG采集模塊示意圖Fig. 2 The schematic diagram of EEG signal collection

2.2 低覺醒單電極EEG信號的特征分析

人體處于不同的生理狀態下EEG信號呈現出不同的特征，其中節律特征在目前各類研究中使用非常廣泛，EEG信號的常用節律主要包括5 種，分別占有不同的頻帶，即 δ(0.5～4 Hz)、θ(4～8 Hz)、α(8～13 Hz)、β(13～25 Hz)和 γ(＞25 Hz)。當警戒作業員大腦處于完全放松或全神貫注等精神狀態時多出現α節律，這時的大腦注意力集中，思維活躍，思路清晰、快捷，作業績效高；而作業人員覺醒度下降甚至進入瞌睡狀態時，EEG信號中的α節律能量減少，θ節律占明顯優勢(極度疲勞時還會產生更多的δ波)此時警戒作業中容易產生脫靶、漏靶現象。對比兩種狀態，由覺醒狀態發展到低覺醒狀態，EEG的主體節律頻率下降，導致其頻域中的眾多特征發生變化，θ節律相對比重、α節律的相對比重、頻譜曲線的重心、頻譜曲線的結構都會產生變化，變化情況如表1如示，因此計算兩狀態中的4個特征并通過機器學習這些特征可以用來識別低覺醒狀態。

表 1 覺醒與低覺醒狀態的特征量對比Table 1 Compare the four characteristics of low arousal state and arousal state

3 單電極EEG信號處理模塊的算法

3.1 頻譜的計算

功率譜分析是EEG頻域分析的經典方法，也是最基本的手段之一，它把大腦頭皮電壓的幅度隨時間變化的波形轉化為功率隨頻率分布的頻譜圖，能直觀地分析 EEG 各節律 (δ、θ、α、β、γ)的分布規律，是計算和分析各種頻域特征量的基礎。如圖3所示為一模擬警戒作業中EEG功率譜(采樣頻率為100 Hz)，表征了該EEG信號中各頻率成分的分布特征。

圖 3 警戒作業中的EEG功率譜Fig. 3 The spectrum of EEG signal in the simulated vigilance operation

功率譜的計算主要由快速傅里葉變換(fast Fourier transform，FFT)實現，是一種快速計算離散傅里葉變換的算法，N點FFT計算出來的譜線亦為N(0～N-1)條，對于實信號(如采集的EEG信號)，其譜線分布共軛對稱，系統只需計算前N/2條，每條所對應的模擬頻率為(k為第k條譜線)，為抽樣頻率，依此可得到EEG信號的各子節律信號。

3.2 腦電節律的相對能量

將功率譜序列按頻率分段，獲取θ頻帶和α頻帶的功率譜，并經重構(傅里葉逆變換)得到這個兩節律的信號，由原EEG信號計算出總能量，兩節律信號計算出θ波、α波能量，計算公式：

3.3 EEG信號頻譜的重心

模仿物理學中計算物體重心的公式來計算EEG信號的重心頻率：

3.4 EEG信號譜熵的計算

式中：qi為第i個功率分量在整個譜中所占的百分比，即。計算過程中，考慮EEG信號為實信號，而實序列的傅里葉變換具有共軛對稱性，因而只需選用功率譜序列的前面一半()來計算EEG信號的譜熵。

3.5 兩類EEG信號狀態特征向量的獲取

為智能化地從長時間EEG信號中識別低覺醒狀態，應預先設計實驗，采集、處理覺醒狀態與低覺醒狀態的兩類EEG信號，并提供給系統學習，使其能夠從長時間警戒作業的EEG信號中識別出低覺醒狀態。

通過實驗設計、實驗過程、特征向量的計算，由模擬警戒實驗獲取兩種狀態的EEG特征向量。

1)實驗設計：實驗操作指令由事先編制的測試軟件產生，軟件運行時產生不同的警戒刺激(實驗選用駕駛員交通標志圖片，包括紅、綠燈，左、右轉彎等共10個圖片)，刺激圖片隨機地出現在屏幕中心，出現刺激的時間間隔亦為隨機編制；為確保被試在整個實驗進程中能夠出現覺醒狀態以及低覺醒狀態，選擇有午睡習慣的被試、在午餐后時段 (13： 30～14： 30)進行實驗，時間約 60 min。

2)實驗過程：運行編制軟件開始實驗，同時啟動腦電儀采集EEG信號，采樣頻率為100 Hz。實驗時要求被試注視電腦屏幕，眼睛距屏幕60 cm，根據屏幕中出現的警戒刺激的類型做出判斷，依據不同的判斷和所對應的“按鍵”在電腦鍵盤上完成按鍵操作，其中按鍵操作的反應時間、按鍵操作的正誤都會被實驗軟件自動記錄并保存起來；為減少判斷低覺醒狀態的“軟件依賴”度，安排實驗操作人員在一旁監視并記錄被試出現的狀態，最后綜合實驗操作員的監視和軟件記錄從采集的EEG信號中挑選出兩種狀態的EEG信號。

3)特征量的計算流程：①對挑選出的EEG信號，逐次采用矩形窗口進行截斷，得長為256(方便FFT計算)點的EEG序列；②運用FFT逐次求得每段EEG序列的頻譜數據；③由頻譜數據分別計算重心頻率、譜熵；④按EEG節律從頻譜數據中分離θ、α頻帶，計算它們的相對能量；⑤將4個特征量組成一個特征向量，供SVM系統學習。經多次采集EEG信號實驗，計算了320個特征向量，表2為從中抽取的10個特征向量及其對應的狀態。

表 2 兩種狀態中4個特征量的實驗對照值Table 2 Contrasts of the four characteristics about two states

4 SVM特征識別模塊

4.1 識別模型

支持向量機(support vector machine，SVM)學習方法與神經網絡、遺傳算法、人工智能等其他學習方法相比，具有較好的推廣能力和非線性處理能力，已在分類EEG信號、識別人臉、融合數據、估計函數等方面有廣泛應用。SVM是由CORTES 等[12]根據統計學習理論提出的一種機器學習方法，已在小樣本、非線性及高維模式識別中展現出獨特的優勢。使用SVM對被試各段EEG特征進行分類時，關鍵是構造一個判別函數，將預分類的EEG特征量盡可能地區分為覺醒狀態類和低覺醒狀態類，即由EEG的特征向量構造超平面，并獲取最優判別函數：

4.2 SVM的核函數及相應參數

在使用SVM訓練和測試樣本時要選擇合適的核函數，核函數的選取關系到SVM性能的好壞，這里選擇使用最為廣泛的徑向基函數(radial Basis function，RBF)為核函數，它能夠適用于低維或高維、小樣本或大樣本等各種情況，能夠實現非線性映射，也具有較寬的收斂域，是一種理想的分類函數。

選取RBF核函數后，SVM性能的優劣還取決于兩參數—寬度參數δ(控制函數的徑向作用范圍)和懲罰因子C，對于不同的一組(δ，C)可得到性能不同的SVM。為了獲取δ和C最佳的參數組合， 通過MATLAB軟件編程并采用交叉驗證方法[13]尋找最優的 (δ，C)，經過計算求得 δ=3.8，C=4。

4.3 兩類特征向量的訓練與測試

圖4所示為計算的EEG信號兩類狀態的4對特征量的盒式圖，從圖可以看出，4對特征量中的兩個盒子都有一部分重疊，因而就單個特征量而言難于區分低覺醒狀態和覺醒狀態，識別率不高，采用將4個特征量組合成一個特征向量。

但圖4中的每個特征都有一定的區分度，可將4個特征合成一個特征向量，從而獲得更高的區分度，更好地識別低覺醒狀態。將實驗獲得的兩類樣本(4個特征量)選取80個EEG特征向量，作為SVM模式識別系統的訓練集，將訓練集輸入SVM進行訓練、學習，使系統獲得識別兩類樣本特征向量的能力。另一方面，將實驗計算的剩余240個特征向量組成測試樣本，作為SVM模式識別系統的測試集。系統測試結果：240個樣本中正確識別218個，識別率90.8%，與單個特征量相比識別率大幅提高。

圖 4 特征向量的盒式圖Fig. 4 Boxplots of characteristics

表3給出了本文系統與其他類似系統的實驗結果，從表中可以看出本文方法具有一定的優越性。

表 3 本文系統與其他類似系統的比較Table 3 Comparison of this system with the others

5 語音報警模塊

當警戒作業人員出現低覺醒狀態時，使用語音報警模塊喚醒被監控者，以提升覺醒水平，其模塊結構如圖5所示，主要包括：1)低覺醒狀態接收端，接收特征識別模塊的脈沖信號；2)按鍵操控端，變換報警語音及音量等；3)智能語音芯片，語音報警模塊的核心部分，選用PM50系列的智能語音芯片，由專用的語音單片機和FLASHRAM存儲器集合構成；4)擴展功能端，供人性化、智能化設計時擴展功能使用；5)溫馨報警提示，接收語音信號并發出溫馨的報警聲音。

圖 5 語音報警模塊Fig. 5 The warning module of pronunciation

在整個設計過程中考慮了人性化、智能化、實用性的要求。使用前預先錄制、編譯并載入語音至報警模塊，由錄音設備錄制的語音可以是時長為幾秒至200 s的一個或多個片段，這些語音經過語音潤色處理，增加人性化的工作環境。使用過程中，當低覺醒狀態接收端獲得高電平脈沖(當警戒作業人員出現低覺醒狀態時，由特征識別模塊輸入)時，將其輸入智能語音芯片，啟動語音報警。

6 結束語

本文通過信號處理手段計算了警戒狀態下被試EEG信號的θ相對能量、α相對能量、重心頻率、譜熵等特征量，運用支持向量機識別低覺醒狀態，能夠在線處理EEG信號并對出現的低覺醒狀態進行自動識別和報警提示。該監測與喚醒系統能夠廣泛應用于各類警戒作業中，切實提高自動化的生產效率，文中的數據也為表征警戒作業人員的低覺醒狀態提供了一類客觀、定量的指標。