基于腦電波信號的人體疲勞程度測試模型分析

顧宣宣 李魯群 杜如東

摘 要： 針對人體疲勞程度檢測問題，采集被測試者的腦電圖（EEG）信號，利用閾值小波變換對EEG信號進行消噪處理，提取腦電波中的特征值，分析疲勞程度與特征值的相關性，建立腦電波信號與疲勞程度的數學模型，并用十折交叉驗證法來驗證該模型的準確率.結果表明：該模型檢測人體疲勞程度的準確率可以達到96%以上.

關鍵詞： 腦電圖（EEG）信號; 疲勞程度; 小波變換; 數學模型; 十折交叉驗證法

中圖分類號： TP 391文獻標志碼： A文章編號： 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

目前國內外對疲勞駕駛檢測[1]的研究方法有：1） 根據駕駛員的生理反應特征進行檢測，該方法主要采用面部識別技術定位眼睛、嘴角等部位進行綜合分析，通過對其眼球的追蹤，評估駕駛員的專注度;2） 基于駕駛員操作行為的檢測，通過駕駛員的操作行為推斷駕駛員的疲勞程度.BEIRNESS等[2]在仿真實驗測試的基礎上，獲取駕駛員模擬行車過程中轉彎時的轉角信號，并利用小波理論對該信號進行處理，根據非線性方法確定不同狀態下的轉角信號特征，確定其疲勞程度.目前，基于Photoplethysmogram （PPG） 的脈沖傳感器疲勞度測試法是國內比較新的研究方法[3].

本文作者基于腦電圖（EEG）信號提出一套具體的疲勞程度檢測模型，并驗證了該模型的檢測準確率.

1 EEG信號疲勞檢測模型

1.1 EEG信號數據的獲取

1.1.1 選擇測試樣本

選擇年齡處于20～26歲之間，無腦部疾病，并且具備一定受教育程度的4對青年男女，并確保他們沒有接受過類似的測試，以免造成心理負擔.

1.1.2 實驗設備

使用神念科技的生物傳感器TinkGear獲取生物電信號的數據.TinkGear每秒輸出一次采集數據，每次輸出512個小數據包以及1個大數據包，本研究數據主要取自大數據包中的13個波段.將TinkGear與電腦終端相連，以顯示腦電波信號特征值.

通過兩個干電極，將TGAM芯片與測試者頭部相連，其中一個干電極貼于測試者的腦門，另外一個電極夾在測試者的左耳.

使用藍牙3.0 HB05作為通信模塊，將由TGAM芯片采集到的EEG信號發送到TinkGear[4].

EEG信號屬于微弱信號，易被外界環境干擾，因此在測試過程中，要保證測試環境安靜.

1.1.3 實驗過程

測試之前，測試者身體無不良反應，沒有精神或心理上的負擔，沒有飲用一些刺激身體或大腦神經的飲品.實驗過程中，要求測試者朗讀一段文字，內容根據每個測試者的情況而定.整個測試過程中，要求測試者保持坐姿不變.

測試頻次為：1） 測試者起床，吃完早飯，休息約2 h之后，進行一次測試，記為狀態1;2） 測試者工作2 h后，進行一次測試，記為狀態2;3） 測試者結束1 d后，進行一次測試，記為狀態3.

1.2 實驗結果分析

1.2.1 原始數據的處理

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

1.2.2 建模擬合

根據腦電波信號特征比值檢驗測試者的疲勞程度[8]，采用十折交叉驗證法[9]作為本實驗的驗證算法，隨機抽取90%的樣本作為數據估算集合，剩余的10%作為對模型的測試集合.表1為部分擬合標準數據的確定系數.

3 結 論

提出了一套針對人體疲勞程度的檢測模型，并用十折交叉驗證法檢驗該模型的準確率，結果表明：該模型的準確率達到96%以上，故所建立的模型具有一定參考價值.

參考文獻：

[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.腦機接口（BCI）系統的實時數據傳輸技術研究[J].計算機科學，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.

（責任編輯：包震宇）