论文部分内容阅读
脑力疲劳是由于长时间工作或学习造成的一种常见生理现象,不及时调整和恢复会降低人们工作和学习的效率,严重的会威胁到人们的健康与生命。脑电(Electroencephalogram,简称EEG)信号直接反映了大脑组织的电活动,利用其来评估脑力疲劳已经成为脑力疲劳检测的研究热点。目前,基于EEG信号脑力疲劳检测中都采用多通道脑电采集设备,由于该类设备的局限性导致基于EEG信号脑力疲劳检测只能在实验室进行为了克服该类设备在实际应用中携带不便、操作复杂成本高等局限性,本文探讨了使用便携式脑电采集设备采集单通道EEG信号对脑力疲劳进行检测的方法。在前人研究的基础上,主要完成了以下工作：1、对基于EEG信号脑力疲劳检测研究中所使用的脑电采集设备、电极选取以及特征提取方法的国内外研究现状作了较全面的介绍。2、针对小波包快速算法固有的频率混淆缺陷,提出了一种单子带重构小波包改进算法(Improved Single Sub-band Reconstruction of Wavelet Packet Algorithm,简称ISSBR-WPA),该算法的思路是引入两个算子来消除小波包分解过程与重构过程中各子带多余的频率成分,从而有效地克服频率混淆现象的产生。实验结果表明,与小波包快速算法相比,ISSBR-WPA算法较为准确地提取EEG信号中的δ、θ、αα和p四个节律,为准确计算脑力疲劳特征参数提供了保障。3、采用两种特征参数评估大脑是否处于疲劳状态。两种特征参数分别为基于EEG信号四个节律相关能量比的8个特征F1～F8和基于各子带小波包系数的方差。对便携式设备采集大脑FP1处的EEG信号进行特征提取与分析,实验结果表明,8个能量比中特征F2、F3、F4、F6和F7可作为评估脑力疲劳的有效指标,其中特征F2更为有效；低频部分子带的小波包系数方差能有效地区分清醒和脑力疲劳两种精神状态。4、为了验证基于便携式脑电采集设备的特征提取结果的有效性,利用多通道脑电采集设备采集得到FP1和01导联处的EEG信号分别进行相同的特征提取和分析。实验结果表明,多通道脑电采集设备采集FP1处EEG信号所提取的特征参数表征的脑力疲劳状态和便携式设备所表征的脑力疲劳状态一致。说明采用便携式脑电采集设备采集大脑FP1处的EEG信号能检测大脑的疲劳状态。实验结果还表明,多通道设备采集大脑O1处的EEG信号也可以作为分析大脑疲劳状态的信号。