头戴式疲劳检测装置及方法.pdf

《头戴式疲劳检测装置及方法.pdf》由会员分享，可在线阅读，更多相关《头戴式疲劳检测装置及方法.pdf（10页完整版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 104305964 A (43)申请公布日 2015.01.28 CN 104305964 A (21)申请号 201410633521.0 (22)申请日 2014.11.11 A61B 5/00(2006.01) A61B 5/0476(2006.01) (71)申请人 东南大学 地址 214000 江苏省无锡市新区菱湖大道 99 号 (72)发明人 禹东川 李艳玮 陈鸿雁 刘芳 (74)专利代理机构 南京苏高专利商标事务所 ( 普通合伙 ) 32204 代理人 柏尚春 (54) 发明名称 头戴式疲劳检测装置及方法 (57) 摘要 本发明公开了一种头戴式疲劳检测装。

2、置及方 法， 其中检测装置包括 ： 脑电采集模块， 用于获取 用户的原始脑电信号 ； 脑电分析模块， 用于实时 接收所述原始脑电信号， 并通过标准时频分析算 法处理原始脑电信号， 获得特征参数， 包括脑电节 律功率谱和眨眼频率 ； 疲劳估计器， 用于根据所 述特征参数所处的空间分布实现对用户的疲劳程 度的估计， 生成疲劳估计结果 ； 语音播报模块， 用 于将所述疲劳估计结果实时播放给用户 ； 电源模 块， 用于为上述各模块提供能量。本发明结构简 单， 适用性广泛， 性能优越， 能够解决疲劳检测问 题， 具有较好的市场前景。 (51)Int.Cl. 权利要求书 2 页 说明书 5 页 附图 2 。

3、页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书2页 说明书5页 附图2页 (10)申请公布号 CN 104305964 A CN 104305964 A 1/2 页 2 1. 一种头戴式疲劳检测装置， 其特征在于， 包括 ： 脑电采集模块， 用于获取用户的原始脑电信号 ； 脑电分析模块， 用于实时接收所述原始脑电信号， 并通过标准时频分析算法处理原始 脑电信号， 获得特征参数， 包括脑电节律功率谱和眨眼频率 ； 疲劳估计器， 用于根据所述特征参数所处的空间分布实现对用户的疲劳程度的估计， 生成疲劳估计结果 ； 语音播报模块， 用于将所述疲劳估计结果实时播放给用户 ；。

4、 电源模块， 用于为上述各模块提供能量。 2. 如权利要求 1 所述的头戴式疲劳检测装置， 其特征在于， 所述脑电采集模块、 脑电分 析模块、 疲劳估计器、 语音播报模块和电源模块整体封装在头戴式外壳中。 3. 如权利要求 1 所述的头戴式疲劳检测装置， 其特征在于， 所述脑电采集模块采用干 电极， 脑电信号采集的头皮位置为双侧前额叶， 参考电极和地电极分别位布置在左右耳垂。 4. 如权利要求 1 所述的头戴式疲劳检测装置， 其特征在于， 所述脑电分析模块通过标 准的时频分析获得的脑电节律功率谱和眨眼频率 ； 其中， 脑电节律包括 波、 波、 波、 波和 波。 5. 如权利要求 1 所述的头戴。

5、式疲劳检测装置， 其特征在于， 所述特征参数包括 波功 率谱、 波功率谱、 波功率谱、 波功率谱、 波功率谱、 眨眼频率和眨眼频率历史信息。 6. 如权利要求 1 所述的头戴式疲劳检测装置， 其特征在于， 所述疲劳估计器采用三层 前向神经网络， 隐层激励函数是 Sigmoid 函数， 输出层激活函数为线性函数。 7.如权利要求1至6任一项所述的头戴式疲劳检测装置， 其特征在于， 疲劳估计结果分 为 “不疲劳” 、“稍微有些疲劳” 、“有些疲劳” 、“非常疲劳” 和 “极度疲劳” 五个量化等级。 8.基于权利要求1至6任一项所述头戴式疲劳检测装置的疲劳检测方法， 其特征在于， 包括如下步骤 ： 。

6、步骤 1 ： 通过脑电采集模块采集原始脑电信号， 并将其实时传输给脑电分析模块 ； 所述脑电采集模块包括信号电极输入、 带通滤波电路、 初级放大电路、 低通滤波电路、 次级放大电路、 陷波电路、 第三级放大电路和数模转换器 ； 信号电极输入采集到的微弱原始脑电信号输入带通滤波电路滤除脑电信号的低频噪 声 ； 接着信号进入到初级放大电路进行第一次放大， 放大之后的脑电信号进入到低通滤波 电路中滤除信号中掺杂的高频噪声， 而让所有的有用信号通过 ； 信号接着又进入到次级放 大电路中进行了第二次放大 ； 接着信号经过陷波电路来抑制 50Hz 工频干扰 ； 信号经过陷波 电路之后进入都第三级放大电路中。

7、进行最后一次信号放大， 其输出信号经过模数转换获得 数字信号， 并输入到脑电分析模块进行进一步处理 ； 其中， 所述信号电极输入采用干电极， 脑电信号采集的头皮位置为双侧前额叶， 参考电极和地电极分别位布置在左右耳垂 ； 步骤 2 ： 通过标准时频分析算法处理原始脑电信号， 获得特征参数 ； 首先， 通过时频分析单元对脑电采集模块发送来的脑电信号进行标准化的时频分析， 为后续节律功率谱计算单元和眨眼频率计算单元提供输入信号 ； 节律功率谱计算单元分别 计算不同脑电节律脑电波功率谱， 其中脑电节律包括 波、 波、 波、 波、 和 波 ； 眨眼频率计算单元则通过时频分析获得眨眼时刻的间隔信息， 并。

8、进而获得用户眨眼频率信 息， 与此同时这些信息将通过历史信息存储单元进行存储 ； 最后， 特征参数提取单元将根据 权 利 要 求 书 CN 104305964 A 2 2/2 页 3 节律功率谱计算单元、 眨眼频率计算单元和历史信息存储单元的结果， 通过主元分析方法 确定后续疲劳估计器进行模式分类用的特征参数 ； 步骤 3 ： 根据所述特征参数所处的空间分布实现对用户的疲劳程度的估计， 生成疲劳 估计结果 ； 疲劳估计器包括特征参数输入单元、 三层前向神经网络、 系统参数计算单元、 典 型历史数据单元和预测输出单元 ； 疲劳估计器的构建分为两个阶段， 第一个阶段为系统参数确定阶段， 第二个阶段。

9、为实 时计算阶段 ； 在系统参数确定阶段， 依据典型历史数据单元将典型的大样本量特征参数数 据输入到系统参数计算单元， 系统参数计算单元通过合适的机器学习算法获得三层前向神 经网络的特征参数 ； 在实时计算阶段， 首先要通过特征参数输入单元将模式分类所需的特 征参数输入到三层前向神经网络， 三层前向神经网络根据当前的系统参数计算获得函数输 出， 函数输出结果经过预测输出单元处理获得最终输出结果 ； 所述疲劳估计器采用三层前向神经网络结构， 即隐层激励函数是 Sigmoid 函数 输出层激活函数为线性函数f(x)x， 因此三层前向神经网络的函数映射 关系可以表示为 ： out W2*f(W1*i。

10、n+B1)+B2， 其中， out 为三层前向神经网络的函数映射关系的输出、 in 为三层前向神经网络的函 数映射关系的输入、 W1为隐层权值、 W2为输出层权值、 B1为隐层阀值、 B2为输出层阀值 ； 机器学习算法采用前向神经网络结构设计算法， 确定隐层神经元数量、 输入层权值与 阀值、 隐层权值与阀值、 输出层权值与阀值等结构信息 ； 预测输出单元的最终输出结果采用 五点量化方法具体分为 “不疲劳” 、“稍微有些疲劳” 、“有些疲劳” 、“非常疲劳” 、“极度疲劳” 五个量化等级 ； 步骤 4 ： 将所述疲劳估计结果实时播放给用户 ； 语音播报模块， 包括微处理器、 语音存储单元和语音播。

11、放单元， 微处理器首先接受疲劳 估计器输出的模式分类结果， 即 “不疲劳” 、“稍微有些疲劳” 、“有些疲劳” 、“非常疲劳” 、“极 度疲劳” 五个量化等级中的一个， 接着通过查询语音存储单元获得事先录好的能反映疲劳 状态的五种与 “不疲劳” 、“稍微有些疲劳” 、“有些疲劳” 、“非常疲劳” 、“极度疲劳” 的语言提 出信息， 最后通过语音播放单元实时播放， 用户可以依据播放语言提示信息实时掌握自己 的疲劳程度。 权 利 要 求 书 CN 104305964 A 3 1/5 页 4 头戴式疲劳检测装置及方法 技术领域 0001 本发明属于生理参数检测领域， 尤其是一种头戴式疲劳检测装置及方。

12、法。 背景技术 0002 随着现代交通运输业的飞速发展， 交通事故已成为当前全球所面临的严重问题。 据统计， 全世界每年因交通事故导致的死亡人数达60万， 直接经济损失约125亿美元， 这些 事故中 57的灾难性事故与驾驶员疲劳驾驶有关。 0003 近年来， 疲劳检测问题已受到世界各国越来越多研究人员的关注。 目前， 疲劳驾驶 的检测方法主要分为三大类， 即基于行为特征的方法、 基于图像处理的方法、 基于生理检测 的方法。 0004 首先， 基于行为特征的检测方法受到驾驶员驾驶习惯各异的制约， 而且还受到长 期强化训练因素的干扰。其次， 基于图像处理的方法要求用户的面部必须处于合适的空间 范围。

13、(超出范围就无法实现检测)、 且摄像机要能拍摄到正面图像(非正面面部识别技术目 前还存在短期无法解决的巨大缺陷)。 最后， 基于生理信号的方法所采用的信号主要包括心 率、 呼吸、 头动、 人眼和嘴部形态等， 这些生理信号的获取生态性较差， 而且佩戴相应传感器 不是很方便。 发明内容 0005 发明目的 ： 一方面提供一种头戴式疲劳检测装置， 以解决现有技术的上述问题， 为 用户提供生态性强、 使用方便、 检测可靠的疲劳实时检测结果， 并将计算结果通过语音实时 反馈给用户。另一方面， 提供一种头戴式疲劳检测方法。 0006 技术方案 ： 一种头戴式疲劳检测装置， 包括 ： 0007 脑电采集模块。

14、， 用于获取用户的原始脑电信号 ； 0008 脑电分析模块， 用于实时接收所述原始脑电信号， 并通过标准时频分析算法处理 原始脑电信号， 获得特征参数， 包括脑电节律功率谱和眨眼频率 ； 0009 疲劳估计器， 用于根据所述特征参数所处的空间分布实现对用户的疲劳程度的估 计， 生成疲劳估计结果 ； 0010 语音播报模块， 用于将所述疲劳估计结果实时播放给用户 ； 0011 电源模块， 用于为上述各模块提供能量。 0012 在进一步的实施例中， 所述脑电采集模块、 脑电分析模块、 疲劳估计器、 语音播报 模块和电源模块整体封装在头戴式外壳中。所述脑电采集模块采用干电极， 脑电信号采集 的头皮位。

15、置为双侧前额叶， 参考电极和地电极分别位布置在左右耳垂。所述脑电分析模块 通过标准的时频分析获得的脑电节律功率谱和眨眼频率 ； 其中， 脑电节律包括 波、 波、 波、 波和 波。所述特征参数包括 波功率谱、 波功率谱、 波功率谱、 波功 率谱、 波功率谱、 眨眼频率和眨眼频率历史信息。所述疲劳估计器采用三层前向神经网 络， 隐层激励函数是 Sigmoid 函数， 输出层激活函数为线性函数。疲劳估计结果分为 “不疲 说 明 书 CN 104305964 A 4 2/5 页 5 劳” 、“稍微有些疲劳” 、“有些疲劳” 、“非常疲劳” 和 “极度疲劳” 五个量化等级。 0013 基于上述头戴式疲劳。

16、检测装置的疲劳检测方法， 包括如下步骤 ： 0014 步骤 1 ： 通过脑电采集模块采集原始脑电信号， 并将其实时传输给脑电分析模块 ； 0015 所述脑电采集模块包括信号电极输入、 带通滤波电路、 初级放大电路、 低通滤波电 路、 次级放大电路、 陷波电路、 第三级放大电路和数模转换器 ； 0016 信号电极输入采集到的微弱原始脑电信号输入带通滤波电路滤除脑电信号的低 频噪声 ； 接着信号进入到初级放大电路进行第一次放大， 放大之后的脑电信号进入到低通 滤波电路中滤除信号中掺杂的高频噪声， 而让所有的有用信号通过 ； 信号接着又进入到次 级放大电路中进行了第二次放大 ； 接着信号经过陷波电路。

17、来抑制 50Hz 工频干扰 ； 信号经过 陷波电路之后进入都第三级放大电路中进行最后一次信号放大， 其输出信号经过模数转换 获得数字信号， 并输入到脑电分析模块进行进一步处理 ； 其中， 所述信号电极输入采用干电 极， 脑电信号采集的头皮位置为双侧前额叶， 参考电极和地电极分别位布置在左右耳垂 ； 0017 步骤 2 ： 通过标准时频分析算法处理原始脑电信号， 获得特征参数 ； 0018 首先， 通过时频分析单元对脑电采集模块发送来的脑电信号进行标准化的时频分 析， 为后续节律功率谱计算单元和眨眼频率计算单元提供输入信号 ； 节律功率谱计算单元 分别计算不同脑电节律脑电波功率谱， 其中脑电节律。

18、包括 波、 波、 波、 波、 和 波 ； 眨眼频率计算单元则通过时频分析获得眨眼时刻的间隔信息， 并进而获得用户眨眼频 率信息， 与此同时这些信息将通过历史信息存储单元进行存储 ； 最后， 特征参数提取单元将 根据节律功率谱计算单元、 眨眼频率计算单元和历史信息存储单元的结果， 通过主元分析 方法确定后续疲劳估计器进行模式分类用的特征参数 ； 0019 步骤 3 ： 根据所述特征参数所处的空间分布实现对用户的疲劳程度的估计， 生成 疲劳估计结果 ； 疲劳估计器包括特征参数输入单元、 三层前向神经网络、 系统参数计算单 元、 典型历史数据单元和预测输出单元 ； 0020 疲劳估计器的构建分为两个。

19、阶段， 第一个阶段为系统参数确定阶段， 第二个阶段 为实时计算阶段 ； 在系统参数确定阶段， 依据典型历史数据单元将典型的大样本量特征参 数数据输入到系统参数计算单元， 系统参数计算单元通过合适的机器学习算法获得三层前 向神经网络的特征参数 ； 在实时计算阶段， 首先要通过特征参数输入单元将模式分类所需 的特征参数输入到三层前向神经网络， 三层前向神经网络根据当前的系统参数计算获得函 数输出， 函数输出结果经过预测输出单元处理获得最终输出结果 ； 0021 所述疲劳估计器采用三层前向神经网络结构， 即隐层激励函数是 Sigmoid 函数 x、 f(x) 分别表示输入和输出， 输出层激活函数为线。

20、性函数 f(x) x， x、 f(x) 分别表示输入和输出， 因此三层前向神经网络的函数映射关系可以表示为 ： out W2*f(W1*in+B1)+B2， 0022 其中， out 为三层前向神经网络的函数映射关系的输出、 in 为三层前向神经网络 的函数映射关系的输入、 W1为隐层权值、 W2为输出层权值、 B1为隐层阀值、 B2为输出层阀值 ； 0023 机器学习算法采用前向神经网络结构设计算法， 确定隐层神经元数量、 输入层权 值与阀值、 隐层权值与阀值、 输出层权值与阀值等结构信息 ； 预测输出单元的最终输出结果 采用五点量化方法具体分为 “不疲劳” 、“稍微有些疲劳” 、“有些疲劳。

21、” 、“非常疲劳” 、“极度疲 说 明 书 CN 104305964 A 5 3/5 页 6 劳” 五个量化等级 ； 0024 步骤 4 ： 将所述疲劳估计结果实时播放给用户 ； 0025 语音播报模块， 包括微处理器、 语音存储单元、 语音播放单元。微处理器首先接受 疲劳估计器输出的模式分类结果， 即 “不疲劳” 、“稍微有些疲劳” 、“有些疲劳” 、“非常疲劳” 、 “极度疲劳” 五个量化等级中的一个， 通过查询语音存储单元获得事先录好的能反映疲劳状 态的五种与 “不疲劳” 、“稍微有些疲劳” 、“有些疲劳” 、“非常疲劳” 、“极度疲劳” 的语言提出 信息， 最后通过语音播放单元实时播放。

22、， 用户可以依据播放语言提示信息实时掌握自己的 疲劳程度。 0026 有益效果 ： 首先， 本发明利用可穿戴脑电检测技术解决疲劳程度估计问题， 与主流 的基于图像分析的技术限制用户的面部必须处于合适的空间范围 ( 超出范围就无法实现 检测)且摄像机要能拍摄到正面图像(非正面面部识别技术目前还存在短期无法解决的巨 大缺陷 ) 等不同， 本发明不受用户使用场所和空间方位的限制， 检测也更加可靠。其次， 本 发明提出将脑电信号用于疲劳检测的思路， 能比已有生理信号检测 ( 如心率、 呼吸、 头动、 人眼和嘴部形态等 ) 方法获得更直接反映用户疲劳程度的生理信号 ( 即脑电信号 )， 因此 检测的生态。

23、性更强、 可靠性更高。最后， 本发明采用了先进的可穿戴技术， 疲劳检测仪整体 封装在头戴式外壳中， 无需任何额外硬件装置就可以实现所有功能， 使用非常便捷， 也适用 于佩戴眼镜用户使用。 总之， 本发明结构简单， 适用性广泛， 性能优越， 能够解决疲劳检测问 题， 具有较好的市场前景。 附图说明 0027 图 1 是本发明头戴式疲劳检测仪的结构框图。 0028 图 2 是本发明脑电采集模块的结构框图。 0029 图 3 是本发明脑电分析模块的结构框图。 0030 图 4 是本发明疲劳估计器的结构框图。 0031 图 5 是本发明语音播报模块的结构框图。 具体实施方式 0032 如图 1 所示，。

24、 本发明的头戴式疲劳检测仪包括脑电采集模块、 脑电分析模块、 疲劳 估计器和语音播报模块。 0033 其中， 脑电采集模块、 脑电分析模块、 疲劳估计器、 语音播报模块被整体封装在头 戴式外壳中， 无需任何额外硬件装置就可以实现所有功能， 使用非常便捷。脑电采集模块 首先获取用户的原始脑电信号， 并实时传输给脑电分析模块， 脑电分析模块通过标准的时 频分析算法获得脑电节律功率谱和眨眼频率， 这些计算结果将被作为特征参数发送到疲劳 估计器， 疲劳估计器将根据获得的特征参数所处空间分布最终实现对用户的疲劳程度的估 计， 估计结果将通过语音播报模块直接播放给用户， 用户可以依据播放语言信息实时掌握 。

25、自己的疲劳程度。 0034 所图 2 所示， 脑电采集模块包括信号电极输入、 带通滤波电路、 初级放大电路、 低 通滤波电路、 次级放大电路、 陷波电路、 第三级放大电路和数模转换器。信号电极输入采集 到的微弱原始脑电信号输入带通滤波电路滤除脑电信号的低频噪声 ； 接下来信号进入到初 说 明 书 CN 104305964 A 6 4/5 页 7 级放大电路进行第一次放大， 放大之后的脑电信号进入到低通滤波电路中滤除信号中掺杂 的高频噪声， 而让所有的有用信号通过 ； 信号接着又进入到次级放大电路中进行了第二次 放大 ； 接着信号经过陷波电路来抑制 50Hz 工频干扰 ； 信号经过陷波电路之后进。

26、入都第三级 放大电路中进行最后一次信号放大， 其输出信号经过模数转换获得数字信号， 并输入到脑 电分析模块进行进一步处理。 其中， 所述信号电极输入采用干电极， 脑电信号采集的头皮位 置为双侧前额叶， 参考电极和地电极分别位布置在左右耳垂。 0035 所图 3 所示， 脑电分析模块首先通过时频分析单元对脑电采集模块发送来的脑电 信号 ( 数字化的 ) 进行标准化的时频分析， 为后续节律功率谱计算单元和眨眼频率计算单 元提供输入信号 ； 节律功率谱计算单元分别计算不同脑电节律脑电波功率谱， 其中脑电节 律包括 波 (1-3Hz)、 波 (4-7Hz)、 波 (8-13Hz)、 波 (14-25H。

27、z)、 和 波 (25Hz 以 上 ) ； 眨眼频率计算单元则通过时频分析获得眨眼时刻的间隔信息， 并进而获得用户眨眼 频率信息， 与此同时这些信息将通过历史信息存储单元进行存储 ； 最后， 特征参数提取单元 将根据节律功率谱计算单元、 眨眼频率计算单元、 历史信息存储单元的结果， 通过主元分析 方法最终确定后续疲劳估计器进行模式分类用的特征参数。 0036 所图 4 所示， 所述疲劳估计器， 包括特征参数输入单元、 三层前向神经网络、 系统 参数计算单元、 典型历史数据单元、 预测输出单元。疲劳估计器的构建分为两个阶段， 第一 个阶段为系统参数确定阶段， 第二个阶段为实时计算阶段。 在系统参。

28、数确定阶段， 依据典型 历史数据单元将典型的大样本量特征参数数据输入到系统参数计算单元， 系统参数计算单 元通过合适的机器学习算法获得三层前向神经网络的特征参数 ； 在实时计算阶段， 首先要 通过特征参数输入单元将模式分类所需的特征参数输入到三层前向神经网络， 三层前向神 经网络根据当前的系统参数计算获得函数输出， 函数输出结果经过预测输出单元处理获得 最终输出结果。所述疲劳估计器采用的三层前向神经网络为标准的结构， 即隐层激励函数 是Sigmoid函数输出层激活函数为线性函数f(x)x， 因此三层前向神经 网络的函数映射关系可以表示为 ： out W2*f(W1*in+B1)+B2， 其中 。

29、out 为三层前向神经网络 的函数映射关系的输出、 in 为三层前向神经网络的函数映射关系的输入、 W1为隐层权值、 W2 为输出层权值、 B1为隐层阀值、 B2为输出层阀值。所述机器学习算法是采用了标准化的前 向神经网络结构设计算法， 确定隐层神经元数量、 输入层权值与阀值、 隐层权值与阀值、 输 出层权值与阀值等结构信息。 所述预测输出单元的最终输出结果采用五点量化方法具体分 为 “不疲劳” 、“稍微有些疲劳” 、“有些疲劳” 、“非常疲劳” 、“极度疲劳” 五个量化等级。 0037 所图 5 所示， 所述语音播报模块， 包括微处理器、 语音存储单元、 语音播放单元。微 处理器首先接受疲劳。

30、估计器输出的模式分类结果 ( 即 “不疲劳” 、“稍微有些疲劳” 、“有些疲 劳” 、“非常疲劳” 、“极度疲劳” 五个量化等级中的一个 )， 通过查询语音存储单元获得事先录 好的能反映疲劳状态的五种与 “不疲劳” 、“稍微有些疲劳” 、“有些疲劳” 、“非常疲劳” 、“极度 疲劳” 的语言提出信息， 最后通过语音播放单元实时播放， 用户可以依据播放语言提示信息 实时掌握自己的疲劳程度。 0038 总之， 本发明的头戴式疲劳检测装置由于采用了头戴式脑电检测技术， 因此具有 测量的生态性强、 使用便携等特点， 且不受用户使用场所和空间方位的限制， 检测也更加可 靠。 说 明 书 CN 10430。

31、5964 A 7 5/5 页 8 0039 以上详细描述了本发明的优选实施方式， 但是， 本发明并不限于上述实施方式中 的具体细节， 在本发明的技术构思范围内， 可以对本发明的技术方案进行多种等同变换， 这 些等同变换均属于本发明的保护范围。另外需要说明的是， 在上述具体实施方式中所描述 的各个具体技术特征， 在不矛盾的情况下， 可以通过任何合适的方式进行组合。 为了避免不 必要的重复， 本发明对各种可能的组合方式不再另行说明。 此外， 本发明的各种不同的实施 方式之间也可以进行任意组合， 只要其不违背本发明的思想， 其同样应当视为本发明所公 开的内容。 说 明 书 CN 104305964 A 8 1/2 页 9 图 1 图 2 图 3 图 4 说 明 书 附 图 CN 104305964 A 9 2/2 页 10 图 5 说 明 书 附 图 CN 104305964 A 10 。