[发明专利]基于脑电波采集的疲劳检测及预警方法和系统

权利要求书

1.基于脑电波采集的疲劳检测及预警方法，其特征在于：包括指标获取步骤和监测预警步骤，所述的指标获取步骤包括以下子步骤：

S11：通过传感器测量脑电波，同时用高清摄像机对被测者脸部特征进行全程实时录像，分别获取被测者在不同疲劳状态下的脑电波数据及眨眼数据；

S12：对脑电波数据进行消噪处理，再进行快速傅立叶转换将以时域为主的脑电波数据转化为频域数据；

S13：依次提取样本不同疲劳状态下脑电波数据片断，并对相应的录像资料进行整理，提取包括眨眼次数和闭眼时间在内的眨眼特征值；

S14：分析不同疲劳状态下不同波段的变化特征，包括功率值、功率百分比、功率比值、功率加和比值；对不同疲劳状态下每个指标值进行ANOVA变异性分析，提取差异性达到显著性水平的指标，并分析这些指标与眨眼的相关性；

S15：脑电波指标的F检验结果及与眨眼的相关性分析结果表明：在功率百分比指标中的慢α%和功率比值指标中的慢α/β与θ/慢α这三个指标的差异显著性水平高的情况下，瞌睡状态下与眨眼的相关系数绝对值最大；同时功率加和比值指标中的(θ+慢α)/β和功率比值指标中的慢α/β这两个指标在入睡状态下与眨眼的相关性最为明显；因此将功率百分比指标中的慢α%、功率比值指标中的慢α/β和θ/慢α这三个指标作为监测预警步骤中瞌睡状态时的辅助检验指标，功率加和比值指标中的(θ+慢α)/β和功率比值指标中的慢α/β作为监测预警步骤中入睡状态时的辅助检验指标，并根据分析结果获取具体阈值；

所述的监测预警步骤包括以下子步骤：

S21：通过脑电波传感器采集脑电信号；

S22：对采集到的脑电信号进行小波去噪处理，去掉脑电伪迹和高频噪声；

S23：对去噪之后脑电信号进行分析：

（1）将通过分析得到的功率百分比指标中的慢α%、功率比值指标中的慢α/β和θ/慢α与步骤S15得到的阈值进行比较，判断用户是否处于瞌睡状态，如果处于瞌睡状态，则进行第一级反馈；

（2）将通过分析得到的功率加和比值指标中的(θ+慢α)/β和功率比值指标中的慢α/β与步骤S15得到的阈值进行比较，判断用户是否处于入睡状态，如果处于入睡状态，则进行第二级反馈。

2.根据权利要求1所述的基于脑电波采集的疲劳检测及预警方法，其特征在于：所述的第一级反馈包括驱动座椅按摩器、警号、警灯、远程通知在内的一种或者多种；所述的第二级反馈包括驱动座椅按摩器、警号、警灯、远程通知在内的一种或者多种。

3.基于脑电波采集的疲劳检测及预警系统，其特征在于：所述系统包括：

脑电波传感器：用于在指标获取阶段采集各个疲劳状态下的脑电波数据以及在监测预警阶段采集实时的脑电波数据；

高清摄像机：用于在指标获取阶段对被测者脸部特征进行全程实时录像获取在不同疲劳状态下的眨眼数据；

数据预处理模块：用于在指标获取阶段对脑电波数据进行消噪处理，再进行快速傅立叶转换将以时域为主的脑电波数据转化为频域数据以及在监测预警阶段获取的脑电波数据进行小波去噪处理，去掉脑电伪迹和高频噪声；

数据提取模块：用于在指标获取阶段依次提取样本不同疲劳状态下脑电波数据片断，并对相应的录像资料进行整理，提取包括眨眼次数和闭眼时间在内的眨眼特征值；

数据分析模块：用于在指标获取阶段分析不同疲劳状态下不同波段的变化特征，包括功率值、功率百分比、功率比值、功率加和比值，同时对不同疲劳状态下每个指标值进行ANOVA变异性分析，提取差异性达到显著性水平的指标，并分析这些指标与眨眼的相关性，以及获取阈值；还在监测预警阶段对去噪之后脑电信号进行分析，判断用户是否处于瞌睡状态或者是入睡状态；

数据输出模块：用于在监测预警阶段向反馈模块发送控制信号；

反馈模块：用于在监测预警阶段当判断用户处于瞌睡状态或者是入睡状态时进行反馈处理。

4.根据权利要求3所述的基于脑电波采集的疲劳检测及预警系统，其特征在于：所述的脑电波传感器采用脑电波侦测芯片实现，所述的脑电波侦测芯片、去噪模块、数据提取模块、数据分析模块和数据输出模块集成在一张主板上。

5.根据权利要求3所述的基于脑电波采集的疲劳检测及预警系统，其特征在于：所述的反馈模块包括座椅按摩器、警号、警灯、智能终端。

6.根据权利要求3~5中任意一项所述的基于脑电波采集的疲劳检测及预警系统，其特征在于：还包括一个存储模块，用于存储数据分析模块的阈值、脑电波传感器的数据和高清摄像机的数据。