[go: up one dir, main page]

CN117056872B - 一种脑疲劳超前预测方法 - Google Patents

一种脑疲劳超前预测方法 Download PDF

Info

Publication number
CN117056872B
CN117056872B CN202310913861.8A CN202310913861A CN117056872B CN 117056872 B CN117056872 B CN 117056872B CN 202310913861 A CN202310913861 A CN 202310913861A CN 117056872 B CN117056872 B CN 117056872B
Authority
CN
China
Prior art keywords
fatigue
brain fatigue
index
time series
pupil diameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310913861.8A
Other languages
English (en)
Other versions
CN117056872A (zh
Inventor
谢康宁
李艳
汤池
罗二平
翟雅文
申广浩
张晨旭
李远辙
刘娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fourth Military Medical University FMMU
Original Assignee
Fourth Military Medical University FMMU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fourth Military Medical University FMMU filed Critical Fourth Military Medical University FMMU
Priority to CN202310913861.8A priority Critical patent/CN117056872B/zh
Publication of CN117056872A publication Critical patent/CN117056872A/zh
Application granted granted Critical
Publication of CN117056872B publication Critical patent/CN117056872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/11—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for measuring interpupillary distance or diameter of pupils
    • A61B3/112—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for measuring interpupillary distance or diameter of pupils for measuring diameter of pupils
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Psychiatry (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Signal Processing (AREA)
  • Educational Technology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Ophthalmology & Optometry (AREA)
  • Social Psychology (AREA)
  • Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)

Abstract

本发明公开了一种脑疲劳超前预测方法，可用于车辆驾驶员、飞行员、空管员、仪器仪表监视人员等。其包括：步骤1：同步获取当前被测人员的瞳孔直径数据和环境光亮度数据；步骤2：对瞳孔直径数据进行预处理，得到预处理后的瞳孔直径数据；步骤3：根据瞳孔直径数据，定义调节能力指数，并计算得到调节能力指数的时间序列；步骤4：采用自适应滤波器去除环境光干扰，得到矫正的调节能力指数的时间序列；步骤5：根据矫正的调节能力指数的时间序列构建脑疲劳调节能力预测模型；步骤6：根据预测模型和预设的阈值进行脑疲劳预测，输出预测结果。本发明将传统的“疲劳外显后测量”提前到“疲劳外显前测量”，可智能化预测脑疲劳外显时间，提前报警。

Description

一种脑疲劳超前预测方法
技术领域
本发明涉及非线性信号处理技术领域，特别涉及一种脑疲劳超前预测方法。
背景技术
飞行、车辆驾驶、空中交通管制等长时间工作常常会使相关人员发生脑疲劳。脑疲劳(mental fatigue)有时被称为精神疲劳或认知疲劳，代表由长时间的认知活动引起的心理生物学状态。
人脑为了稳定地进行认知任务，进化出了脑疲劳的实时调节系统。该系统有助于人克服生理性疲劳。外显的脑疲劳是两个内部因素共同作用的结果，一是逐渐累积的生理性脑疲劳，反映了认知资源持续消耗，二是调节系统，反映了高级中枢的调节和补偿作用，初期可掩盖生理性疲劳，通常在30-120分钟任务后生理性疲劳掩盖不住会表现出脑疲劳。
但“掩盖效应”的产生也正是源于该调节系统的作用。而掩盖效应对脑疲劳的检测造成了很大的困难。常规指标是通过面部表情、眼睑闭合率、脑电等反应出来，属于“疲劳外显后测量”，存在发现时间晚的缺陷，是严重的安全隐患。因此，脑疲劳测量的最大难题是脑疲劳的“掩盖效应”。
目前，脑疲劳测量技术主要分为以下几个流派：
一是口含式疲劳预警器：
例如申请号为200920160060.4一种口含式疲劳预警器，正常情况下牙齿咬合，不报警，疲劳或精力不集中时，松开报警器，蜂鸣器启动报警。此方法需要时刻咬住报警器，对被测人员产生干扰，而且当发现疲劳时，疲劳已经到了非常危险的程度，对于安全驾驶的提示作用有待提高。
二是面部特征的疲劳测量：
例如申请号为201310229235.3的中国专利《汽车驾驶员疲劳状态预判系统专利》中，其利用驾驶员眼睛闭合时间为特征，启动报警。
申请号为201410602818.0的中国专利《汽车驾驶员疲劳状态预判系统》中，其利用比对疲劳和非疲劳的脸部或眼部特征，启动报警。
申请号为201510467585.2的中国专利《一种穿戴眼镜式疲劳预警设备及工作方法的专利》中，其疲劳检测的原理则采用检测眼睑闭合率实现。
申请号US5570698A的美国专利《System for monitoring eyes for detectingsleep behavior》中则通过检测了眼睛位置来判断人是否处于嗜睡状态。
可以看出，以上的方法都属于“疲劳后测量”，当测量到疲劳时，脑疲劳已经外显出来，这时的疲劳已经到了非常危险的程度，存在严重安全隐患，对于安全驾驶的提示作用有待提高。
三是瞳孔直径的大小直接作为疲劳测量：
例如马锦飞的《瞳孔直径大小检测驾驶员疲劳的实证效度分析》研究表明，一般的道路交通场景视频实验，随着驾驶员自我报告的困倦感增加，瞳孔直径缩小，可能产生的是被动疲劳。该文章也指出，赛车等具有时间压力的体育运动，往往需要持续地调动注意资源、协调知觉活动，心理工作负荷较大，使得驾驶员，瞳孔放大，易产生主动疲劳。可以看出，被动疲劳(普通枯燥任务)和主动疲劳(高度集中任务)瞳孔直径的变化趋势刚好相反。复杂的驾驶情况下常常包含被动疲劳和主动疲劳两种疲劳，因此，直接测量瞳孔直径的大小难以可靠检测驾驶员疲劳。
申请号为201610027827.0的《疲劳驾驶检测方法》中，通过检测驾驶员的瞳孔直径和闭眼比率来判断驾驶员的疲劳程度，瞳孔直径与疲劳程度负相关，闭眼比率比和疲劳程度正相关。该专利提到的“瞳孔直径与疲劳程度负相关”针对的也是被动疲劳，而主动疲劳(高度集中任务)瞳孔直径的变化趋势刚好相反。因为复杂的驾驶情况下常常包含被动疲劳和主动疲劳两种疲劳，与马锦飞的文章中的技术类似，直接测量瞳孔直径的大小难以可靠检测驾驶员疲劳。
申请号为201310579177.7的中国专利《视疲劳的检测及缓解方法》中检测了用户瞳孔的直径值，并检测用户瞳孔直径的变化频率，通过将瞳孔直径的变化频率与表示视疲劳的频率预定值进行比较，从而掌握用户的视疲劳情况。然而该发明检测的是瞳孔直径的变化频率，该物理量只与视疲劳有关，而并非脑疲劳。
综上所述，当前的脑疲劳测量方法大多是从不同的侧面反映的是脑疲劳的外在表现，反映了调节系统对生理性脑疲劳的调节结果(生理性疲劳被掩盖)。因此，只能在生理性脑疲劳累积到足够大(掩盖效应失效)脑疲劳表现出来后才能测量到。
发明内容
针对上述存在的问题，本发明旨在提供一种驾疲劳超前预报方法，其采用测量调节系统的调节能力本身作为关键技术以克服掩盖效应，达到“疲劳前测量”：即可测量脑疲劳外显之前的生理性脑疲劳，在任务开始后小于5分钟的时间内就可探测到生理性脑疲劳，将脑疲劳检测从传统的“疲劳后测量”提前到“疲劳前测量”，进而可进而智能化预测脑疲劳。
为了实现上述目的，本发明所采用的技术方案如下：
一种脑疲劳超前预测方法，其特征在于，包括以下步骤：
步骤1：同步获取当前被测人员的瞳孔直径数据和环境光亮度数据；
步骤2：对瞳孔直径数据进行预处理，去除异常值，对去除异常值后的空缺进行线性插值得到预处理后的瞳孔直径数据；
步骤3：根据预处理后的瞳孔直径数据，定义调节能力指数，通过计算调节能力指数得到调节能力指数的时间序列，
步骤4：基于采集到的环境光亮度数据，计算环境光指数，得到环境光指数的时间序列；
步骤5：基于环境光指数的时间序列，采用自适应滤波器去除环境光干扰，得到矫正后的调节能力指数的时间序列；
步骤6：根据矫正后的调节能力指数的时间序列构建脑疲劳调节能力预测模型；
步骤7：根据建立的脑疲劳调节能力预测模型和预设的阈值进行脑疲劳预测，并输出预测结果、报警。
进一步地，步骤3的具体步骤为：
步骤31：记瞳孔直径时间序列为x1(i),1≤i≤N,其中N是时间序列的长度，并从该时间序列中按从前到后的顺序依次选取第j点，第j+1点，……，第j+m-1点，共m个点形成向量um(j)：
um(j)＝[x1(j+k):0≤k≤m-1]；
其中，j表示依次选取的点的序号；k表示偏移量；m表示向量中元素的个数；
步骤32：定义向量um(i)和um(j)之间的距离为d：
步骤33：计算瞳孔直径时间序列x1(i)的标准差为r，统计满足d<r的所有一对向量um(i)和um(j)的数量，并将得到的数量记作Am；
步骤34：基于Am，计算S1：
步骤35：将瞳孔直径时间序列为x(1)(i)每2个值进行平均计算，并将得到的平均值作为新的值，形成新的时间序列x(2)(i)，重复执行步骤21-24得到S(2)；
步骤36：重复执行步骤25，依次得到S(3),S(4),…,S(τ)，其中fs为采样率；
步骤37：定义调节能力指数的公式为：
步骤38：采用滑动窗计算S，且滑动窗宽的设置公式为：
其中，Fs是瞳孔直径的采样频率；
步骤39：根据计算出的调节能力指数S(n)。
进一步地，步骤4的具体步骤为：
步骤41：通过环境传感器采集环境光时间序列y(i),1≤i≤N,其中N是时间序列的长度，并取其中的m个点形成向量um(j)：
um(j)＝[y(j+k):0≤k≤m-1]；
步骤42：定义向量um(i)和um(j)之间的距离为d：
步骤43：计算时间序列y(i)的标准差为r，统计满足d<r的所有一组向量um(i)和um(j)的数量，并将其记作Am；
步骤44：根据公式(1)得到T；
步骤45：采用滑动窗计算T，得到环境光指数时间序列T1,T2,T3,…。
进一步地，步骤5的自适应滤波器去除环境光干扰步骤为：
步骤51：将步骤39中得到的调节能力指数S(n)的滑动窗序列重定义为d(n),n＝1,2,…；
步骤52:将d(n)表示为：
d(n)＝S(n)+T1(n),n＝1,2,…
其中，T1(n)是由环境光刺激引起的瞳孔调节指数成分；S(n)为真实的调节能力指数成分；
步骤53：基于d(n)得到其与自适应滤波器输出z(n)的误差e(n)：
e(n)＝d(n)-z(n),n＝1,2,…；
步骤54：通过迭代法求出自适应滤波器的权重向量w:
w(n+1)＝w(n)+μ[p-Rw(n)]
其中，n代表迭代次数，μ表示正常数，p是数据的互相关向量，R是数据的相关矩阵；
步骤55：基于e(n)得到矫正的调节能力指数的时间序列。
进一步地，步骤6构建的预测模型包括用于预测脑疲劳外显发生时间距当前时间大于5分钟的情况下的脑疲劳超前预测模型，以及用于预测脑疲劳外显发生时间距当前时间小于等于5分钟的情况下的临近阈值的脑疲劳精准预测模型。
进一步地，所述脑疲劳超前预测模型的建立步骤包括：
步骤61：定义时刻-调节能力指数的时间序列的损失函数：
步骤62：对于每一个输入时刻点tn，预测估计值为：
步骤63：定义平均损失函数为：
步骤64：根据公式(7)求解使L(p,b)最小化的参数：
且：
进一步地，所述临近阈值的脑疲劳精准预测模型的建立步骤为：
实时记录的过程中，先记录一段时间，得到时刻-调节能力指数的时间序列(t1,S1),(t2,S2),…(tN2,SN2)后，建立自回归模型，自回归模型的阶数选择为50，数据窗口100s，每1s更新1次，得到用于预测25s的波形的线性模型。
进一步地，步骤7的具体步骤为：
步骤71：通过设定的若干个阈值得到阈值直线；
步骤72：根据脑疲劳调节能力预测线性模型得到的预测估计值绘制线性预测线，基于该预测线与阈值直线的交点，得到脑疲劳外显距离当前时刻的时间，若该时间达到预设的报警阈值，则输出预测结果。
本发明的有益效果是：
首先，与常规的脑疲劳检测手段相比，本发明直接测量调节系统本身的“调节能力”来定量生理性脑疲劳，确定调节系统的关键脑区——蓝斑-去甲肾上腺素(LC-NE)系统，是对脑整体警觉性进行动机调节的重要环节，从而能够克服机体调节系统对疲劳的掩盖效应，达到疲劳前预测。
其次，本发明采用的是非接触测量调节方式。由于蓝斑放电与瞳孔直径变化同步，共同受到中枢的控制(通过旁巨细胞核GPi)。LC-NE对持续注意力和警觉性发挥重要作用。瞳孔直径的变化受到蓝斑(LC)神经的激活，因此，这种变化反映了蓝斑的动机增益调节活动，而本发明中对瞳孔直径的测量是通过红外光学设备进行非接触测量，实现了非接触测量调节。
再次，本发明还确定如何定量“调节能力”。本发明采用利用瞳孔变化的调节能力指数窥探LC-NE系统警觉性动机增益调节“能力”而探测生理性脑疲劳的预测方法。在持续性任务中，瞳孔直径增益调节能力指数出现了波动性和缓慢下降趋势“双重效应”，并通过算法进行了理论分析、专注与非专注模式研究、时间序列预测模型关键技术，实现精准超前预测进而实现了智能干预。
最后，本发明为了进一步降低瞳孔对光反射的消极影响，还提出了对环境光反射进行去除，得到矫正后的生理性脑疲劳指数，能够进一步提高生理系脑疲劳调节能力预测线性模型的准确性，从而提高疲劳预测精度。
附图说明
图1为本发明的流程图；
图2为本发明去除对光反射效应的流程图；
图3为网课认知任务时刻-调节能力指数曲线；
图4(a)-(c)为验证专注模式和非专注模式下调节能力实验指导及流程图；
图5为瞳孔数据采集环境；
图6(a)-(b)分别为插值前和插值后的瞳孔直径数据；
图7(a)-(b)为瞳孔直径瞳孔调节能力指数；其中，图7(a)为12名受试者瞳孔直径调节能力指数；图7(b)为两种模式下受试者整体的瞳孔直径调节能力指数；
图8为本发明方法性能测试场景；
图9为运行PERCLOS检测眼睑闭合率的界面；
图10(a)-(b)为功能测试中受试者1的测试结果图；
图11(a)-(b)为功能测试中受试者2的测试结果图；
图12(a)-(b)为功能测试中受试者3的测试结果图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
实施例1
由于脑疲劳调节系统通过前额叶传导至蓝斑-去甲肾上腺素系统，控制去甲肾上腺素的分泌调节脑整体警觉度水平。而瞳孔直径与蓝斑放电高度一致，因此，本发明提出了一种能够反映蓝斑调节能力的瞳孔直径分析算法。基于该算法，如图1所示，本发明提出了一种脑疲劳超前预测方法，其包括以下步骤：
步骤1：数据获取
获取待被测人员的瞳孔直径数据；
步骤2：数据预处理
对得到的瞳孔直径数据进行预处理，去除异常值，对去除异常值后的空缺进行线性插值，从而得到预处理后的瞳孔直径数据；
步骤3：计算调节能力指数
对预处理后的瞳孔直径数据取时间窗，且时间窗为50s，得到相应的瞳孔直径时间序列数据，定义调节能力指数，对该时间窗内的瞳孔直径时间序列数据进行计算得到调节能力指数的时间序列；
其具体包括：
(1)根据瞳孔直径时间序列定义调节能力指数
首先，记瞳孔直径时间序列为x1(i),1＜＜i＜＜N,其中N是时间序列的长度，从该时间序列中按从前到后的顺序依次选取第j点，第j+1点，……，第j+m-1点，共m个点(m一般取2)形成向量um(j):
um(j)＝[x1(j+k):0＜＜k＜＜m-1]
其中，j变量代表了该时间序列中按从前到后的顺序依次选取的点的序号；k变量代表了偏移量，范围是0到m-1；m代表了嵌入向量um(j)的维数，也就是向量中元素的个数；
其次，定义两个向量um(i)和um(j)之间的距离为d：
再次，计算瞳孔直径时间序列x1(i)的标准差为r，统计距离d<r的所有一对向量um(um(i)和um(j))的数量，将满足以上条件的一对向量计数为1，并将得到的计数记作标量Am，基于Am计算S1：
其中，S1的上标表示是由瞳孔直径时间序列x1计算得到，上标(1)代表原始的信号。
再次，将瞳孔直径时间序列为x(1)(i)每2个值进行平均值计算，并将得到的平均值作为新的值，从而形成新的瞳孔直径时间序列x(2)(i)，重复执行上述步骤，根据公式(1)得到S(2)，以此类推，得到S(3),S(4),…,S(τ)，其中，τ为10-30之间的数，该值取决于瞳孔直径的采样率，采样率fs越高，τ值越大，其中的符号表示向下取整，例如采样率为100Hz时，τ可设置为10；
最后，将调节能力指数定义为：
(2)通过滑动窗计算调节能力指数
本发明采用滑动窗计算S，滑动窗宽通过以下公式确定：
其中，fs是瞳孔直径的采样频率；
滑动窗移动的步长在0.1-10s之间，步长越短，越有利于后面的预测建模(提高预测精度)，但计算量也越大，因此，经过多次试验，本发明的滑动窗移动步长设置为1s。
通过滑动窗计算，可得到时刻-调节能力指数的时间序列，(t1,S1),(t2,S2),…(tN2,SN2)；
发明人通过实验(详见实施例3)证明了该时间序列中既包含了反映生理性脑疲劳的成分(表现为下降趋势)，又包含了专注模式和非专注模式的切换(表现为周期性震荡)。而且证明：专注模式(对驾驶、飞行等有利)是波峰，非专注模式(对驾驶、飞行等不利)是波谷。波谷与下降趋势的叠加意味着只需要对时间序列的低点进行预测即可预测对工作任务不利的脑状态；
步骤4：预测建模
根据得到的该时刻-调节能力指数的时间序列，进行线性预测模型建模，构建生理性脑疲劳调节能力预测线性模型，从而获取疲劳相关的参数(即直线拟合后的斜率和截距p*,b*或自回归模型系数)，该预测线性模型包括脑疲劳超前预测模型(即直线拟合后的斜率和截距p*,b*)以及临近阈值的脑疲劳精准预测模型(即自回归模型)；
(1)脑疲劳超前预测模型用于预测脑疲劳外显发生距离当前时间大于5分钟的情况，其构建步骤为：
首先，定义损失函数：
其次，对于每一个输入时刻点tn，生理性脑疲劳调节能力的预测估计值为：
其中，p表示斜率，b表示截距；
再次，用损失函数计算预测估计值与真实值的差异：
将平均损失函数定义为:
最后，通过公式(7)求解使L(p,b)最小化的参数(p,b)：
得到：
其中，p*,b*分别是生理系脑疲劳调节能力预测线性模型的斜率和截距；
综上，公式5，公式8和公式9即为本发明所构建的生理性脑疲劳调节能力预测线性模型。生理性脑疲劳随着工作任务近似线性增加，此时，本发明所构建的脑疲劳调节能力预测线性模型将通过负斜率和任务开始时的起始值作为线性预测参数。
(2)临近阈值的脑疲劳精准预测模型用于预测脑疲劳外显发生距离当前时间小于等于5分钟的情况，其构建步骤为：
在实时记录的过程中，记录一段时间，并根据以上步骤得到时刻-调节能力指数的时间序列(t1,S1),(t2,S2),…(tN2,SN2)后，建立自回归模型，自回归模型的阶数可选择为50，数据窗口100s，每1s更新1次，用于预测25s的波形。
步骤5：预测报警
根据建立的生理性脑疲劳模型和预设的阈值进行脑疲劳预测；
根据生理性脑疲劳模型得到的线性预测参数p*,b*，通过实验确定3-5个(或更多个阈值)，例如，早期报警阈值(提前20分钟)，中期报警阈值(5分钟)，晚期报警阈值(1分钟)和临界报警阈值(20秒)，通过这些阈值得到阈值曲线，再根据脑疲劳调节能力预测线性模型得到的预测估计值绘制的线性预测线，系统随时根据线性预测线(即p*,b*)与阈值直线的交点来计算其距离阈值的时间来作为提醒。
通过预测线与报警阈值线交点可得到脑疲劳外显距离当前的时间，如果达到预设的报警时间(阈值)则输出预测结果。例如，预设报警时间为提前1小时，40分钟，20分钟，10分钟等，则达到该阈值时就输出预测结果。
实施例2
在实施例1的基础上，为了消除环境光的影响，还增加了自适应滤波环节，通过同步采集瞳孔直径和环境光，消除环境光的影响，得到消除环境光影响的时刻-调节能力指数的时间序列(t1,S1),(t2,S2),…(tN2,SN2)，然后再根据该时刻-调节能力指数的时间序列构建生理性脑疲劳调节能力预测线性模型，获取疲劳相关的参数。
瞳孔对光反射效应是指瞳孔对光线变化而产生的直径变化，为了降低瞳孔对光反射的消极影响，本发明通过环境传感器收集环境光的变化，计算环境光指数，并通过自适应滤波器消除环境光的影响，然后即可得到矫正后的调节能力指数。
具体地，所述环境光指数方法计算如下：
步骤1：通过环境传感器采集环境光时间序列为y(i),1＜＜i＜＜N,其中N是时间序列的长度，并取其中的m个点形成向量um(j)：
um(j)＝[y(j+k):0＜＜k＜＜m-1]；
步骤2：定义向量um(i)和um(j)之间的距离为d：
步骤3：计算时间序列y(i)的标准差为r，统计满足d<r的所有一组向量um(i)和um(j)的数量，并将其记作Am；
步骤4：计算T：
步骤5：采用滑动窗计算T，得到环境光指数时间序列T1,T2,T3,…TN。
步骤1：得到的调节能力指数S(n)中可能混杂了瞳孔引起的真实的调节能力指数和环境光刺激引起的虚假成分，因此，将S(n)的滑动窗序列重定义为d(n),n＝1,2,…；
步骤2:d(n)中混杂了瞳孔引起的真实的调节能力指数成分S(n),n＝1,2,…，和环境光刺激引起的虚假成分T1(n),n＝1,2,…，从而将d(n)表示为：
d(n)＝S(n)+T1(n),n＝1,2,…
其中，T1(n)是由环境光引起的瞳孔调节指数成分，与上述计算得到的环境光指数T(n)强相关；
如图2所示，采用自适应滤波器去除环境光干扰步骤为：
e(n)＝d(n)-z(n),n＝1,2,…
其中，e(n)是d(n)和自适应滤波器输出z(n)的误差。
步骤3：可通过迭代法求出自适应滤波器的权重向量w:
w(n+1)＝w(n)+μ[p-Rw(n)]
这里的n代表迭代次数，μ表示正常数，p是数据的互相关向量，R是数据的相关矩阵。
步骤4：基于求解得到的e(n)，得到矫正的调节能力指数的时间序列消除了环境光影响。。
实施例3
为了进一步对本发明所提方法的预测效果进行验证，分别进行以下实验。
1、瞳孔直径调节能力指数中的双重效应实验
通过16个大学生完成网络课程的认知任务，同时采集并计算16个大学生瞳孔直径，计算时刻-调节能力曲线，如图3所示。从图中可以看出，调节能力曲线呈现总体的下降和波动性两个明显效应。总体下降趋势可以用由于疲劳引起的调节能力下降解释；但波动性如何解释呢。根据现有技术记载，人在做认知任务时大脑通常会在专注模式(exploitation)和非专注模式(exploration)之间切换。我们观察到的调节能力曲线的波动性非常有可能就是由于两种模式的切换造成。非专注模式付出的认知努力更小，大脑工作绩效和调节能力应该如何变化，是否应该同时下降？为了验证这一点，我们进一步进行实验验证，探讨专注模式和非专注模式分别对应的波峰还是波谷。
2、验证专注模式和非专注模式哪一种代表调节能力指数高
(1)实验材料
本实验中主要用到的七鑫易维aSee Pro眼动仪来测量和记录瞳孔数据，是一款高精度、多功能的眼动追踪仪器，采用独特的多点校正算法，解决了传统眼动仪存在的视觉场畸变等误差问题，提升了测试结果的准确性和可靠性。并配套提供了专业的眼动数据分析软件，支持眼动数据的实时记录、保存、回放和分析，让用户能够更加全面地了解眼动数据背后的含义和规律。此外，七鑫易维aSee Pro眼动仪还支持数据的实时采集与存储、多通道数据同步采集、多种眼动任务设计与分析等功能，使测试结果更加准确。
(2)实验试剂
格林泰克GT5导电膏 武汉格林泰克科技有限公司，中国
(3)受试对象
本实验招募志愿者19名(5男14女，平均年龄：21.14岁，年龄范围：19-27岁)。所有参与者的视力正常或矫正到正常，并给予书面知情同意，符合空军军医大学医学伦理委员会要求。
(4)实验方法
i)实验范式
本实验任务的流程如图4(c)所示。本任务过程中共有60个试次，在每个试次中，受试者先看到指导语“请放空大脑，保持放松”(如图4(a))。之后，屏幕中央出现“+”符号，受试者需要注视‘+’，以稳定受试的瞳孔注意位置，防止眼球运动对瞳孔直径的采集产生干扰。‘+’符号持续出现15s，在此期间，受试者需要保持非专注状态，不进行任何思维运动。15s过后，屏幕中出现指导语“‘T’出现时，请立即按‘空格’”(如图4(b))，指导语持续3s，之后在1s至6s内会随时出现目标对象‘T’。此时，受试者结束之前的非专注状态，进入专注状态，时刻警惕目标‘T’出现。在‘T’出现后，受试者按下空格键，继续进入下一个试次。
实验中用E-prime软件编写实验程序，专注状态指导语和目标‘T’字体颜色为红色，其他指导语字体均为黑色，背景为白色，来减少光照变化对瞳孔直径造成的影响。整个实验过程中保持光照不变，实验环境保持安静。
ii)数据采集
在亮度适宜，光线稳定的环境中进行实验，如图5所示。亮度适宜有利于认知任务中采集瞳孔数据。实验全程用支架固定受试者头部，以避免由于头部移动所引起的数据有效率降低。使用七鑫易维aSee Pro眼动仪记录数据，包括注视点位置和瞳孔直径等信息。数据采集和实验过程记录在配套的aSeeStudio软件中，每次实验前均进行双眼3点校准。同时，使用博睿康脑电设备记录实验过程中受试者脑电数据。
iii)数据处理
将眼动仪采样频率设置为100Hz，其实际采样率要低于设置值，但并不影响瞳孔数据的处理。通过aSeeStudio软件可以获取实验中屏幕录制视频和原始瞳孔数据。
S1：实验时间点标注
对实验中时间发生的时间点进行标注，从而便于进行后续的数据分割工作。实验中共有60个试次，每个试次中存在两个时间点分别为非专注状态开始时间和专注状态开始时间，因此共需要标注120个时间点。传统方法为观看实验中录制的屏幕视频，手动标注时间点。但这种方法工作量巨大，耗费大量时间和精力。为此，使用Matlab软件编写自动化处理程序，选择需要标注的视频帧作为关键帧，程序会自动找到与关键帧相似的视频帧，从而自动标注所有时间点并保存。
S2：数据分割
在上述过程中已经获得非专注状态与专注状态开始的时间点，两者前后衔接，形成120个时间段。对原始的瞳孔直径数据按照相应的时间点进行分割，产生60个非专注模式时间段与60个专注模式时间段。
S3：数据清洗
眨眼期间，眼动仪监测到的无效数据会被记录为-1，当一个数据段内-1出现的次数过多时，会导致后续计算无效。因此，当一个数据段内-1数量占整体数据的比例超过50％时，这段数据会被舍去。
S4：数据插值
进行数据清洗后，数据段中仍存在无效数据-1(如图6(a))，使用-1点前后的两个数据点做线性插值来代替-1点(如图6(b))。
(5)瞳孔数据处理结果
完成上述实验的19名受试者中5名受试的数据有大量异常数据，数据有效率低。因此舍弃了这5名受试者的数据，对其余14名受试者的数据进行处理和分析。图7(a)中显示了其中12名受试者的瞳孔直径调节能力指数的结果。每幅图中蓝色柱体表示的是受试者在非专注状态下瞳孔直径调节能力指数平均值，红色柱体表示的是受试者在专注状态下瞳孔直径调节能力指数平均值，且上方蓝色误差条表示相应的标准误。图7(b)中显示了两种模式下受试者整体的瞳孔直径调节能力指数的表现。可以看出无论个体或整体，受试者在专注状态(即横坐标tense)下的瞳孔直径调节能力指数均高于其在非专注状态(即横坐标relax)下的熵。
此外，对所有受试者两种模式下的瞳孔直径调节能力指数进行配对t检验，统计检验结果为P＝8.4452e-33(P<0.05)，具有显著性差异。
(6)实验结论
本实验主要对非专注模式与专注模式下瞳孔直径调节能力指数进行对照，记录了受试者的瞳孔直径，并进行分析计算。从实验结果中可以看出，无论瞳孔直径调节能力指数在专注模式下更高。受试者在非专注模式下付出的认知努力更小，而当受试者切换为专注状态时，其认知功能得到激活，人更可能处于注意力集中状态。这解释了瞳孔直径调节能力指数中观察到的波动性是两种工作模式的切换。由于瞳孔直径调节能力中的波谷代表了非专注模式，因此不利于驾驶，而瞳孔直径调节能力下降的趋势也不利于驾驶，二者是一致的，都是越低越不利于驾驶，这就证明了本发明通过瞳孔直径调节能力指数曲线进行脑疲劳外显的超前预测的可行性。
3、本发明所提超前预报方法实验
(1)性能测试内容
为了进一步验证本发明所提疲超前预报方法的性能，本实验通过三项指标进行测试，并与perclos疲劳检测算法进行对比，验证本发明预测方法的准确性。
(2)测试环境
软件环境：Visual Studio 2022，MATLAB R2022a、Anaconda 2022
(3)受试对象
招募志愿者5名(3男2女，平均年龄:20.6岁，年龄范围:19-27岁)。5名志愿者均参与了模拟驾驶实验。
(4)实验流程
S1：将人体眼球与眼动仪对准且距离一定，按照眼动仪校准软件流程进行校准确保实验采集数据真实可靠。调整另外一台电脑的摄像头，确保面部信息能被采集，如图8所示；
S2：使用软件X-plane进行模拟驾驶；
S3：当被测人员开始模拟驾驶时，运行本发明所提疲劳超前预报方法代码(基于本发明预报方法设计的测试软件)，同时运行perclos疲劳检测算法代码作为疲劳检测对照，用来验证本预测方法的准确性，如图9所示；
S4：分别进行测试项目一、测试项目二；
i)测试项目一：软件在运行五分钟后是否能成功绘制线性预测、AR模型图像，以及是否能在文本显示区显示预测疲劳时间；
ii)测试项目二：对比本发明的脑疲劳智能预测时间与perclos程序汇报疲劳间的时间误差，并判断是否在可接受的3分钟内；
S5：对上述测试项目的结果进行测试记录，如表1所示。
表1功能测试数据记录表
在脑疲劳智能预测测试实验中，在多个受试者的测试中均可以看出随着驾驶任务的进行，所绘制的曲线形成波动性和缓慢下降的趋势，并在软件运行5分钟后出现预测曲线并显示出预测疲劳时间，与perclos程序所测得的疲劳时间误差不大于3分钟。
(5)实验结果
对非专注模式与专注模式下增益调节信号调节能力指数进行对照，记录了受试者的瞳孔数据和脑电数据并进行分析计算。从实验结果中可以看出，瞳孔调节能力指数专注模式下更高。受试者在非专注模式下付出的认知努力更小，此时受试者作为复杂系统其功能状态处于较低水平。而当受试者切换为专注状态时，其认知功能得到激活。这也表明了当增益调节信号的调节能力指数处于高水平时，人更可能处于注意力集中状态。而当其降低时，可能表明其出现走神或疲劳等非专注状态。
因此可以得出结论，该实验证明瞳孔直径调节能力指数中的波动性为两种工作模式的切换，波峰为专注模式，波谷为非专注模式。
结合脑疲劳智能预测测试可得，通过模拟用户长时间驾驶所出现的疲劳状况，并实时将PERCLOS疲劳检测算法作为对比判断，根据三种不同的测试指标脑疲劳智能预测系统的功能均正确，成功绘制线性预测、AR模型图像并显示预测剩余疲劳时间，并在用户出现脑疲劳时及时给予刺激，提高专注度，即用户可根据此系统提前预知疲劳状况并规避驾驶带来的风险。
(6)功能测试
通过对三位受试者进行教学内容学习任务测试，对本发明所提预测方法的功能进行验证。
首先，受试者1观看视频教学内容，同时记录瞳孔直径(图10a第一行)。按本发明方法计算生理性脑疲劳指数(图10a第二行)黑线，建立预测模型，根据数据得到预测模型的参数，画出预测线(图10b中的红色虚线)；
预测线参数为：(单位：奈特)。其中斜率为-0.0012506tn奈特每秒，截距为1.2805奈特。根据实验确定的外显的脑疲劳阈值为0.2奈特。那么，根据计算，大约经过14分钟可以达到疲劳。
其次，受试者2进行如上相同的实验步骤，其结果如图11a-图11b所示，其预测线参数为：(单位：奈特)。根据计算，大约经过101分钟可以达到疲劳。
最后，受试者3进行如上相同的实验步骤，其结果如图12a-图12b所示，且其预测线参数为：(单位：奈特)。根据计算，大约经过149分钟可以达到疲劳。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种脑疲劳超前预测方法，其特征在于，包括以下步骤：
步骤1：同步获取当前被测人员的瞳孔直径数据和环境光亮度数据；
步骤2：对瞳孔直径数据进行预处理，去除异常值，对去除异常值后的空缺进行线性插值得到预处理后的瞳孔直径数据；
步骤3：根据预处理后的瞳孔直径数据，定义调节能力指数，通过计算调节能力指数得到调节能力指数的时间序列；
步骤4：基于采集到的环境光亮度数据，计算环境光指数，得到环境光指数的时间序列；
步骤5：基于环境光指数的时间序列，采用自适应滤波器去除环境光干扰，得到矫正后的调节能力指数的时间序列；
步骤6：根据矫正后的调节能力指数的时间序列构建脑疲劳调节能力预测模型；
步骤7：根据建立的脑疲劳调节能力预测模型和预设的阈值进行脑疲劳预测，并输出预测结果、报警；
其中，步骤3的具体步骤为：
步骤31：记瞳孔直径时间序列为x1(i),1≤i≤N,其中N是时间序列的长度，并从该时间序列中按从前到后的顺序依次选取第j点，第j+1点，……，第j+m-1点，共m个点形成向量um(j)：
um(j)＝[x1(j+k):0≤k≤m-1]；
其中，j表示依次选取的点的序号；k表示偏移量；m表示向量中元素的个数；
步骤32：定义向量um(i)和um(j)之间的距离为d：
d＝maxk＝0,1,…,m-1|x1(i+k)-x1(j+k)|；
步骤33：计算瞳孔直径时间序列x1(i)的标准差为r，统计满足d<r的所有一对向量um(i)和um(j)的数量，并将得到的数量记作Am；
步骤34：基于Am，计算S1：
步骤35：将瞳孔直径时间序列为x(1)(i)每2个值进行平均计算，并将得到的平均值作为新的值，形成新的时间序列x(2)(i)，重复执行步骤31-步骤34得到S(2)；
步骤36：重复执行步骤35，依次得到S(3),S(4),…,S(τ)，其中fs为采样率；
步骤37：定义调节能力指数的公式为：
步骤38：采用滑动窗计算S，且滑动窗宽的设置公式为：
其中，Fs是瞳孔直径的采样频率；
步骤39：根据计算出的调节能力指数S(n)，得到调节能力指数的时间序列。
2.如权利要求1所述的一种脑疲劳超前预测方法，其特征在于，步骤4的具体步骤为：
步骤41：通过环境传感器采集环境光时间序列y(i),1≤i≤N,其中N是时间序列的长度，并取其中的m个点形成向量u'm(j)：
u'm(j)＝[y(j+k):0≤k≤m-1]；
步骤42：定义向量u'm(i)和u'm(j)之间的距离为d'：
d'＝maxk＝0,1,...,m-1|y(i+k)-y(j+k)|；
步骤43：计算时间序列y(i)的标准差为r'，统计满足d'<r'的所有一组向量u'm(i)和u'm(j)的数量，并将其记作A'm；
步骤44：通过下式得到T：
步骤45：采用滑动窗计算T，得到环境光指数时间序列T1,T2,T3,…。
3.如权利要求2所述的一种脑疲劳超前预测方法，其特征在于，步骤5的自适应滤波器去除环境光干扰步骤为：
步骤51：将步骤39中得到的调节能力指数S(n)的滑动窗序列重定义为d(n),n＝1,2,…；
步骤52:将d(n)表示为：
d(n)＝S(n)+T1(n),n＝1,2,…
其中，T1(n)是由环境光刺激引起的瞳孔调节指数成分；S(n)为真实的调节能力指数成分；
步骤53：基于d(n)得到其与自适应滤波器输出z(n)的误差e(n)：
e(n)＝d(n)-z(n),n＝1,2,…；
步骤54：通过迭代法求出自适应滤波器的权重向量w:
w(n+1)＝w(n)+μ[p-Rw(n)]
其中，n代表迭代次数，μ表示正常数，p是数据的互相关向量，R是数据的相关矩阵；
步骤55：基于e(n)得到矫正的调节能力指数的时间序列。
4.如权利要求1所述的一种脑疲劳超前预测方法，其特征在于，步骤6构建的预测模型包括用于预测脑疲劳外显发生时间距当前时间大于5分钟的情况下的脑疲劳超前预测模型，以及用于预测脑疲劳外显发生时间距当前时间小于等于5分钟的情况下的临近阈值的脑疲劳精准预测模型。
5.如权利要求4所述的一种脑疲劳超前预测方法，其特征在于，所述脑疲劳超前预测模型的建立步骤包括：
步骤61：定义时刻-调节能力指数的时间序列的损失函数：
步骤62：对于每一个输入时刻点tn，预测估计值为：
步骤63：定义平均损失函数为：
步骤64：根据公式(7)求解使L(p,b)最小化的参数：
且：
6.如权利要求4所述的一种脑疲劳超前预测方法，其特征在于，所述临近阈值的脑疲劳精准预测模型的建立步骤为：
实时记录的过程中，先记录一段时间，得到时刻-调节能力指数的时间序列(t1,S1),(t2,S2),…(tN2,SN2)后，建立自回归模型，自回归模型的阶数选择为50，数据窗口100s，每1s更新1次，得到用于预测25s的波形的线性模型。
7.如权利要求1所述的一种脑疲劳超前预测方法，其特征在于，步骤7的具体步骤为：
步骤71：通过设定的若干个阈值得到阈值直线；
步骤72：根据脑疲劳调节能力预测线性模型得到的预测估计值绘制线性预测线，基于该预测线与阈值直线的交点，得到脑疲劳外显距离当前时刻的时间，若该时间达到预设的报警阈值，则输出预测结果。
CN202310913861.8A 2023-07-25 2023-07-25 一种脑疲劳超前预测方法 Active CN117056872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310913861.8A CN117056872B (zh) 2023-07-25 2023-07-25 一种脑疲劳超前预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310913861.8A CN117056872B (zh) 2023-07-25 2023-07-25 一种脑疲劳超前预测方法

Publications (2)

Publication Number Publication Date
CN117056872A CN117056872A (zh) 2023-11-14
CN117056872B true CN117056872B (zh) 2025-01-24

Family

ID=88656321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310913861.8A Active CN117056872B (zh) 2023-07-25 2023-07-25 一种脑疲劳超前预测方法

Country Status (1)

Country Link
CN (1) CN117056872B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118133130B (zh) * 2024-04-29 2024-08-16 中国民用航空飞行学院 一种飞行员心理韧性评估方法、装置、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101513342A (zh) * 2009-03-26 2009-08-26 中国人民解放军第四军医大学 全视野瞳孔分析测量方法
CN109700472A (zh) * 2019-02-21 2019-05-03 北京七鑫易维信息技术有限公司 一种疲劳检测方法、装置、设备和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4883580B2 (ja) * 2007-06-05 2012-02-22 独立行政法人産業技術総合研究所 精神的疲労の検出方法、装置及びプログラム
WO2015072202A1 (ja) * 2013-11-18 2015-05-21 ソニー株式会社 瞳孔径に基づく眼の疲労検出のための情報処理装置、方法、およびプログラム
EP3678114A4 (en) * 2017-08-31 2020-08-12 Fujitsu Limited DETECTION PROGRAM, DETECTION METHOD AND DETECTION SYSTEM

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101513342A (zh) * 2009-03-26 2009-08-26 中国人民解放军第四军医大学 全视野瞳孔分析测量方法
CN109700472A (zh) * 2019-02-21 2019-05-03 北京七鑫易维信息技术有限公司 一种疲劳检测方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN117056872A (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN110276273B (zh) 融合面部特征与图像脉搏心率估计的驾驶员疲劳检测方法
EP2281506B1 (en) Method and system for determining an individual&#39;s state of attention
CN109646022B (zh) 儿童注意力评估系统及其方法
CN111012367A (zh) 一种精神疾病的智能识别系统
CN105719431A (zh) 一种疲劳驾驶检测系统
CN113693552A (zh) 视觉疲劳监测方法、装置、电子设备及可读存储介质
CN110600103B (zh) 一种提升视力的可穿戴智能服务系统
CN104921723B (zh) 一种基于多模态脑机接口的意识状态检测系统
Hasan et al. Validation and interpretation of a multimodal drowsiness detection system using explainable machine learning
Kuamr et al. Analysis of real time driver fatigue detection based on eye and yawning
CN117547270A (zh) 一种多源数据融合的飞行员认知负荷反馈系统
CN117056872B (zh) 一种脑疲劳超前预测方法
CN117770821A (zh) 人因智能座舱驾驶人疲劳检测方法、装置、车辆及介质
Alguindigue et al. Biosignals monitoring for driver drowsiness detection using deep neural networks
CN105700687A (zh) 基于folding HDCA算法的单试次脑电P300成分检测方法
CN118894119B (zh) 基于生理信号监测技术的疲劳驾驶智能预警系统
Antunes et al. An intelligent system to detect drowsiness at the wheel
Goovaerts et al. Advanced EEG Processing for the Detection of Drowsiness in Drivers.
Yarici et al. Hearables: Ear EEG based driver fatigue detection
TW202108077A (zh) 專注力自動偵測方法和系統
Yi et al. Estimation of mental workload induced by different presentation rates in rapid serial visual presentation tasks
CN116807478A (zh) 一种驾驶员瞌睡开始状态检测方法、装置及设备
Fu et al. Detecting drowsiness in driving simulation based on EEG
CN115240849A (zh) 电子产品使用特征及视疲劳的记录和提醒方法及系统
Kuo et al. An EOG-based sleep monitoring system and its application on on-line sleep-stage sensitive light control

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant