[发明专利]一种基于四导联脑电和深度森林的脑力疲劳识别方法

说明书

本发明涉及疲劳识别领域中的脑力疲劳识别方法，更具体地，涉及一种基于四导联脑电和深度森林的脑力疲劳识别方法。所述方法包括以下步骤：1)对采集到的脑电信号数据进行相应的预处理；2)提取特定四个电极点(Fp1，Fp2，F7，F8)的脑电信号的功率谱密度特征；3)将步骤2)所提取的脑电功率谱特征输入深度森林模型进行脑力疲劳识别。本发明为脑力疲劳识别提供了一种新的方法，特定的四个电极点电极所处位置一般无头发，方便采集信号分析，同时，本发明内部结构可解释性好，参数较少，鲁棒性较强，即使用于小样本数据时仍准确度较高，在疲劳识别、脑机接口技术、人机交互领域具有较高的应用价值。

技术领域

本发明涉及疲劳识别领域中的脑力疲劳识别方法，更具体地，涉及一种基于四导联脑电和深度森林的脑力疲劳识别方法。

背景技术

脑力劳动疲劳是指由于长期脑力劳动、饮食不规律、缺乏运动，加之工作压力，常常会使人感到身心疲惫。如若不及时调整状态、恢复精力，长而久之就会导致疲劳综合征，不仅会影响工作效率，而且还会影响身体健康.脑力疲劳的评估方法可分为主观评估和客观评估两种。主观评估方法主要是通过让实验对象根据自己的主观感受填写量表，如卡罗琳斯卡嗜睡量表、NASA任务负荷指数等，不同人群对于脑力疲劳的感知程度存在差异，导致评分标准不一致，因此量表结果必然会受到主观倾向的影响。

近些年来，随着人工智能技术的发展，通过生理信号的变化来检测脑方疲劳逐渐成为主流的客观评估方法，研究表明常见的生理信号包括脑电(EDG)、心电(ECG)、肌电(EMG)以及眼电(EOG)等，目前，EEG被认为是最可靠的一种生理信号，其不同频带的功率谱密度已被证明是与脑力疲劳变化密切相关的特征。由于脑力疲劳涉及的脑区较广，大部分研究者利用多通道脑电设备进行疲劳识别的研究，常用的有64导脑电和32导脑电，但其导联较多，计算较为复杂，信号采集也相对困难，部分脑电采集设备为单导联，但在脑力疲劳识别应用上单导联采集分析又存在采集位点单一，信号不稳定，准确率较低的问题。

虽然传统机器学习和深度学习已经被广泛应用于EEG分析中，但是一方面传统的机器学习分类器SVM、决策树等，存在泛化能力不高等问题，但脑力疲劳的脑电活动过程是异常复杂的。另一方面深度学习虽然表现出较好的泛化能力，不过其模型超参数较多，依赖调参过程，需要大量的训练数据及算力，目前暂无大规模的公开的脑力疲劳数据集，且整体算法是“黑匣子”型，即使现在研究人员也不能完全了解深层网络的“内部”。

发明内容

根据现有技术的不足，本发明提供一种基于四导联脑电和深度森林的脑力疲劳识别方法，相比于多导联脑电计算，本发明只需要计算特定四个电极点(Fp1，Fp2，F7，F8)的脑电信号的功率谱密度特征，特定的四个电极点电极所处位置一般无头发，方便采集信号分析；相比于单导联采集分析，本发明又可以减少信号不稳定，提升疲劳识别的准确率，避免采集位点单一的问题。

同时，深度森林是建立在决策树之上的集成深度模型，具有级联结构的集成方式，其结合了传统机器学习和深度学习的优势，可解释性较好，即使在小样本数据集上仍有较好表现，且参数较少，更容易训练。具有级联结构的集成方式，能够像深度神经网络一样进行表示学习，但同时其内部为“白盒”模型，可解释性较好，参数较少，更容易训练。深度森林已经在大规模金融欺诈检测、图像、文本重构等许多任务中取得了优异的性能。

虽然深度森林在传统的分类任务中已经被证明有用，但是在本发明之前，尚没有人注意到将其应用于脑力疲劳识别的潜力。

本发明所提出的一种基于四导联脑电和深度森林的脑力疲劳识别方法步骤如下：

步骤1：对采集到的脑电信号数据进行相应的预处理

由于EEG的信号幅度处于微伏量级，且信号易受干扰，在脑电信号的采集过程中，会受到周围噪声的干扰以及工频噪声的影响，因此，需要首先对原始信号进行噪声的滤除，通过利用带通滤波器，将0.5Hz-75Hz频率之间的信号取出，同时在其中去除50Hz的工频干扰。采用独立分量分析法去除眨眼、眼动等导致的伪迹。