基于希尔伯特—黄算法的稳态视觉疲劳检测

发布时间：2020-11-21 22:27

　　 随着工作和生活节奏的加快,大脑疲劳已经成为人们普遍的一种精神状态。在交通驾驶,航天航空,人机系统监控等领域,操作人员由于大脑疲劳而造成的注意力不集中、反应迟钝、精神涣散很有可能引发严重的事故,造成巨大的财产损失。因此,对大脑疲劳状态进行监控具有重要的意义。研究发现,脑电信号可以反映人体的精神状态。因此可以通过检测脑电信号在疲劳状态下的特性对脑疲劳进行预警。稳态视觉诱发电位是指当人的大脑皮层受到一个固定频率的视觉刺激时,它会产生一个连续的与刺激频率有关的响应。稳态视觉诱发电位具有信号采集简单,无需训练等优点而被广泛应用在脑电信号的研究中。本文也是使用稳态视觉诱发电位来诱发受试者产生疲劳脑电。文章的主要工作如下:1.实验设计了一个黑白色棋格的刺激源,刺激源的闪烁频率在9-13Hz之间。受试者被安排在一个安静,光线良好的实验环境中接受长时间的视觉刺激,产生视觉疲劳脑电信号。在实验过程中,受试者按要求完成主观疲劳量表作为主观统计的参考。使用独立成分分析方法去除原始脑电信号中的眼电、肌电等伪迹。2.使用非线性非平稳的信号处理方法-希尔伯特-黄算法(HHT)提取脑电信号中的频域特征。对脑电信号进行经验模态分解得到IMF分量,根据皮尔逊系数选取与原信号相关系数大于50%的IMF分量进行重构。对重构信号做希尔伯特变换,计算重构信号的希尔伯特边际谱能量,发现脑电信号中的α,β,(θ+α)/β,β/α四种EEG脑电节律的边际能量谱幅值在清醒状态和疲劳状态下具有显著性差异。提取这四种脑电节律的希尔伯特边际谱幅值作为特征向量。3.对比几种分类算法的优缺点,文章决定使用支持向量机(SVM)作为脑电信号的分类器。将特征向量传入到SVM中,分类结果表明:β,β/α,和四种EEG指标的组合特征向量T都有良好的可分性,可以作为判别疲劳状态的指标。
【学位单位】：广东工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TN911.7
【部分图文】：

基本理论产生系统最重要的一个组成部分就是大脑，大脑的组是受到大脑的控制。至今为止，大脑还有许多四个部分：额叶、顶叶、颞叶、枕叶。大脑表1 所示，大脑皮层的不同区域对应着不同的功能感，三维感知。额叶主要是负责人体的记忆和。颞叶与听觉和知觉有关，而枕叶区负责视觉的功能，但是每个部分之间都有紧密的联系。部分协同处理完成的。

图 2-2 P300 诱发电位Figure 2-2 P300 Evoked Potential诱发电位发电位(Transient Visual Evoked Potential, TVEP)是通过低频脑电信号的产生。用于瞬态视觉诱发电位的刺激频率一般小于位的前一个刺激引起的皮质反应会在下一个刺激出现之前消电位是对应单个刺激的反应，换而言之，瞬态视觉诱发电位由瞬态视觉诱发电位产生的脑电波形中，第一个波谷会出现被称为 N75。P100 就是刺激发生后第 100ms 出现的第一个 毫秒的地方出现的波谷。具体的 TVEP 如图 2-3 所示。

图 2-3 TVEP 波形图Figure 2-3 TVEP waveform信号产生与采集简单，无需训练，稳定性高，特征明显信号的研究中。在图 2-4 中，使用 12Hz 的刺激频率来进行
【相似文献】

相关期刊论文 前10条

1 韦晓燕;陈子怡;周毅;;基于多尺度排列熵的脑电信号分类[J];中国数字医学;2019年05期

2 王晓丽;;基于深度学习的癫痫脑电信号分析与预测[J];长春大学学报;2019年06期

3 王薇蓉;张雪英;孙颖;畅江;;关于脑电信号的情感优化识别仿真[J];计算机仿真;2018年06期

4 郭婷仪;李素芳;钟桂仙;曾佳璇;周酥;;基于脑电信号的耳鸣识别算法研究[J];科技传播;2018年13期

5 左晶;万小勤;罗杨;郑斌;陈斌林;任祥花;;癫痫脑电信号的相关性分析[J];电子世界;2017年05期

6 张娜;唐贤伦;刘庆;;基于半监督学习的脑电信号特征提取及识别[J];工程科学与技术;2017年S2期

7 石乔莉;王延辉;李信政;;基于脑电信号的驾驶疲劳的研究[J];世界最新医学信息文摘;2017年55期

8 王恒;李念强;齐鹏冲;;运动想象脑电信号特征的提取与分类[J];工业控制计算机;2015年02期

9 李亚杰;宋明星;张玉栋;;脑电信号采集系统的设计[J];河北建筑工程学院学报;2014年01期

10 蔡超峰;张勇;郭舒婷;姜利英;;思维脑电信号的关联维数分析[J];河南科技大学学报(自然科学版);2012年01期

相关博士学位论文 前10条

1 李明阳;基于复合域分析的癫痫脑电信号检测算法研究[D];吉林大学;2018年

2 张涛;基于模糊分布熵和复值模糊分布熵的癫痫脑电信号自动分类算法研究[D];吉林大学;2019年

3 韩凌;脑电信号同步分析及癫痫发作预测方法研究[D];东北大学;2016年

4 赵丽;基于脑电信号的脑-机接口技术研究[D];天津大学;2004年

5 缪晓波;基于脑电信号的认知动力学系统研究——线性/非线性方法及动态时—频—空分析[D];重庆大学;2004年

6 徐鹏;信号的稀疏分解及其在脑电信号处理中的应用研究[D];电子科技大学;2006年

7 伍亚舟;基于想象左右手运动思维脑电BCI实验及识别分类研究[D];第三军医大学;2007年

8 唐艳;基于时间、频率和空间域的自发脑电信号提取[D];中南大学;2008年

9 陈东伟;非线性动力学、因果脑网络与聚类稳定性在脑电信号分析中的应用研究[D];太原理工大学;2015年

10 马小飞;认知任务下的脑电动力学分析[D];南京大学;2017年

相关硕士学位论文 前10条

1 杨济维;基于半监督深度学习的脑电信号特征提取及识别[D];重庆邮电大学;2019年

2 张海涛;基于EEG信号的癫痫发作状态分析方法研究[D];重庆邮电大学;2019年

3 李丹妮;基于运动想象脑电信号的特征提取和分类算法研究[D];重庆邮电大学;2019年

4 高峰星;基于情感脑电信号的分类研究[D];重庆邮电大学;2019年

5 朱延龙;基于稳态视觉诱发的脑电信号分类算法研究[D];南京航空航天大学;2019年

6 张美妍;基于EEG警觉状态检测方法及实验研究[D];哈尔滨工业大学;2019年

7 盛彬;基于信息融合的驾驶危险场景分析识别研究[D];哈尔滨工业大学;2019年

8 叶彦斌;基于压缩感知的脑电数据压缩及FPGA实现[D];华南理工大学;2019年

9 刘博翰;基于脑电信号的导联筛选及可解释情绪分类模型研究[D];华南理工大学;2019年

10 沈玉润;深度学习在脑电信号特征提取及分类中的应用[D];上海交通大学;2018年

本文编号：2893692