脑疲劳监测与促醒干预系统研究
发布时间：2021-02-20 04:01
脑疲劳监测系统是一种能够实时检测人生理特征信号的重要监测设备,在司机长途疲劳驾驶、士兵作战值班等民用或军用领域具有广泛的应用。针对目前存在的脑疲劳监测系统体积庞大、移动性差、实时性和准确度低、监测手段单一、且无法提高作业人员警觉度的问题,提出一种可穿戴式脑疲劳监测与促醒干预系统。在对脑疲劳监测与促醒干预技术以及蓝牙技术的研究基础上,确定了由信号采集模块、促醒干预模块、蓝牙微控器及脑疲劳监测组成的脑疲劳监测与促醒干预系统总体方案,阐述了其工作原理。利用眼电信号测量技术设计了眼电信号采集模块,确定了以ADS1192为模拟前端、三个Ag/Agcl电极单导联方式采集人眼电信号;利用头部姿态信号测量技术设计了头动信号采集模块,确定了以MPU9250九轴传感器为模拟前端,采集人头动信号;利用促醒干预技术设计了以蓝光、声音、振动三种外部物理刺激,作为促醒干预方法;通过对无线通信技术的分析对比,采用低功耗蓝牙微控制n RF51822为主控单元,完成了对模拟前端的读写控制及促醒干预的功能控制,实现了上位机与下位机之间的无线通信。对眼电信号分析与处理,通过三点五次平滑滤波、快速傅里叶变换及功率谱得出平均功...
【文章来源】：长春理工大学吉林省
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
模拟驾驶实验装置
算其相对功率谱；根据相关系数理论分析两路对称导联F7，F8中眨眼信号特征；利用机器学习对眨眼信号进行识别，计算眨眼频率；最后结合这两种数据综合分析判断司机是否处于疲劳驾驶状态[22]。结果表明，即能准确识别出眨眼信号，又能正确检测人的驾驶疲劳状态的变化。2014年李勇达等研究了头部姿态特征与疲劳驾驶的关系，同样首先通过摄像头检测人脸区域，进而对人脸进行跟踪，并对人脸的旋转角度进行计算，得出其旋转角速度以及旋转角加速度，最后根据其头部的倾斜角度以及旋转角速度综合判断列车司机的疲劳状态[23]。如图1.2所示为摄像头头部姿态跟踪效果，该方法的疲劳检测成功率为87.5%，但其只能对头部缓慢倾斜和头部突然向两侧倾斜这2种疲态状态进行报警，尚不能对打呵欠、低头、闭眼等其他疲劳状态做出反应。图1.2头部姿态跟踪2016年毛须伟等研究了一种根据人眼闭合度评判驾驶员疲劳状态的检测方法，如
第1章绪论4图1.3所示为疲劳检测系统组成，通过相机采集人脸图像，并实时进行图像处理，计算出反应人眼闭合程度的宽高比，根据Perclos原理和眨眼频率判断驾驶员的疲劳程度[24]。研究结果表明，图像采集速率快，疲劳判定准确度高，能够有效抑制外部噪声干扰，满足了疲劳驾驶检测对准确性和实时性的要求。图1.3疲劳检测系统组成2018年刘长亮研究了眼睛闭合度与低头频率与疲劳程度的关系，在去噪处理后的人脸检测基础上，对人脸进行跟踪与优化，根据几何特征进行特征点粗定位，使用人脸对齐模块进行面部特征点的精确定位，从而确定人的头部姿态；并根据所提取的人眼特征，进行图像处理，计算人眼区域黑色像素点的百分比，以此判断眼睛的睁闭状态。利用人眼闭合度和头部姿态变化相结合的方式，判断驾驶员的疲劳程度[25]。国内外关于脑疲劳监测技术对比如表1.1所示表1.1国内外疲劳监测技术对比研究人员（时间）监测手段特点MarkMA（2000）基于脑电（EEG）生理信号计算分析脑电信号功率谱、记录alpha波活跃值判断疲劳度，但alpha波检测的不理想，受外部干扰大、实时性低MaJX等（2012）基于眼电（EOG）生理信号从慢速眼动（SEM）与快速眼动（REM）中检测警觉度的变化Sahayadhas等（2014）利用肌电（EMG）生理信号分析肌电（EMG）信号标准差值，进而判断警觉度，并进行预警Charbonnier等（2016）基于脑电（EEG）生理信号特征提娶深度学习方法，判断疲劳程度汪磊等（2012）基于面部特征识别通过Perclos值、平均闭眼时长、哈欠频率三个指标评判疲劳程度
【参考文献】：
期刊论文
[1]基于Android平台的精神疲劳检测系统的设计与应用[J]. 陈泽龙,张少涵,张振昌,林少炜,陈自谦. 医疗卫生装备. 2019(12)
[2]基于脑电图的脑疲劳检测研究进展[J]. 赵彦富,随力,李月如. 中国医学物理学杂志. 2019(11)
[3]基于低功耗蓝牙4.0技术的安全预警系统设计[J]. 王建新,苏俊盼,郑一麟. 物联网技术. 2019(11)
[4]基于面部几何特征及手部运动特征的驾驶员疲劳检测[J]. 刘明周,蒋倩男,扈静. 机械工程学报. 2019(02)
[5]基于多生理信息及迁移学习的驾驶疲劳评估[J]. 谢平,齐孟松,张园园,刘兆军,程生翠. 仪器仪表学报. 2018(10)
[6]面向机器人轮椅交互控制的头姿估计改进方法[J]. 徐国政,李威,朱博,高翔,宋爱国. 仪器仪表学报. 2018(09)
[7]基于心率监测的建筑工人生理疲劳分析[J]. 徐明伟,金龙哲,张驎,于露,刘建国,田兴华. 工程科学学报. 2018(06)
[8]航空管制员工作疲劳监测研究[J]. 袁江. 科技风. 2017(19)
[9]生理疲劳和心理疲劳对车辆驾驶的影响对比[J]. 钟铭恩,黄杰鸿,乔允浩,洪汉池. 中国安全生产科学技术. 2017(01)
[10]基于低功耗蓝牙的跌倒检测系统的设计[J]. 熊界,周晓青,刘志朋,殷涛. 中国医疗设备. 2016(12)
硕士论文
[1]基于认知科学的管制员疲劳状态检测方法研究与系统设计[D]. 项悦.中国民用航空飞行学院 2019
[2]基于Android蓝牙通信的野外设备监控系统[D]. 田翠玲.华中师范大学 2018
[3]基于多模生理信号的精神疲劳检测系统的设计与研究[D]. 李志学.兰州大学 2018
[4]基于眼睛与头部状态的疲劳检测系统设计[D]. 刘长亮.大连海事大学 2018
[5]基于表情与头部状态识别的疲劳驾驶检测算法的研究[D]. 邹昕彤.吉林大学 2017
[6]基于低功耗蓝牙的无线医疗监护系统的设计与实现[D]. 饶丽娜.湖北工业大学 2017
[7]基于低功耗蓝牙智能健康手表的设计[D]. 吴梦想.宁夏大学 2017
[8]基于头动信息和眼动信息的视线跟踪技术研究[D]. 聂向荣.燕山大学 2017
[9]基于MEMS加速度传感器的动作信号采集和识别研究[D]. 郭伟桥.燕山大学 2017
[10]基于加速度传感器的日常行为识别的特征提取方法研究[D]. 钟君.兰州大学 2016
本文编号：3042192
【文章来源】：长春理工大学吉林省
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
模拟驾驶实验装置
算其相对功率谱；根据相关系数理论分析两路对称导联F7，F8中眨眼信号特征；利用机器学习对眨眼信号进行识别，计算眨眼频率；最后结合这两种数据综合分析判断司机是否处于疲劳驾驶状态[22]。结果表明，即能准确识别出眨眼信号，又能正确检测人的驾驶疲劳状态的变化。2014年李勇达等研究了头部姿态特征与疲劳驾驶的关系，同样首先通过摄像头检测人脸区域，进而对人脸进行跟踪，并对人脸的旋转角度进行计算，得出其旋转角速度以及旋转角加速度，最后根据其头部的倾斜角度以及旋转角速度综合判断列车司机的疲劳状态[23]。如图1.2所示为摄像头头部姿态跟踪效果，该方法的疲劳检测成功率为87.5%，但其只能对头部缓慢倾斜和头部突然向两侧倾斜这2种疲态状态进行报警，尚不能对打呵欠、低头、闭眼等其他疲劳状态做出反应。图1.2头部姿态跟踪2016年毛须伟等研究了一种根据人眼闭合度评判驾驶员疲劳状态的检测方法，如
第1章绪论4图1.3所示为疲劳检测系统组成，通过相机采集人脸图像，并实时进行图像处理，计算出反应人眼闭合程度的宽高比，根据Perclos原理和眨眼频率判断驾驶员的疲劳程度[24]。研究结果表明，图像采集速率快，疲劳判定准确度高，能够有效抑制外部噪声干扰，满足了疲劳驾驶检测对准确性和实时性的要求。图1.3疲劳检测系统组成2018年刘长亮研究了眼睛闭合度与低头频率与疲劳程度的关系，在去噪处理后的人脸检测基础上，对人脸进行跟踪与优化，根据几何特征进行特征点粗定位，使用人脸对齐模块进行面部特征点的精确定位，从而确定人的头部姿态；并根据所提取的人眼特征，进行图像处理，计算人眼区域黑色像素点的百分比，以此判断眼睛的睁闭状态。利用人眼闭合度和头部姿态变化相结合的方式，判断驾驶员的疲劳程度[25]。国内外关于脑疲劳监测技术对比如表1.1所示表1.1国内外疲劳监测技术对比研究人员（时间）监测手段特点MarkMA（2000）基于脑电（EEG）生理信号计算分析脑电信号功率谱、记录alpha波活跃值判断疲劳度，但alpha波检测的不理想，受外部干扰大、实时性低MaJX等（2012）基于眼电（EOG）生理信号从慢速眼动（SEM）与快速眼动（REM）中检测警觉度的变化Sahayadhas等（2014）利用肌电（EMG）生理信号分析肌电（EMG）信号标准差值，进而判断警觉度，并进行预警Charbonnier等（2016）基于脑电（EEG）生理信号特征提娶深度学习方法，判断疲劳程度汪磊等（2012）基于面部特征识别通过Perclos值、平均闭眼时长、哈欠频率三个指标评判疲劳程度
【参考文献】：
期刊论文
[1]基于Android平台的精神疲劳检测系统的设计与应用[J]. 陈泽龙,张少涵,张振昌,林少炜,陈自谦. 医疗卫生装备. 2019(12)
[2]基于脑电图的脑疲劳检测研究进展[J]. 赵彦富,随力,李月如. 中国医学物理学杂志. 2019(11)
[3]基于低功耗蓝牙4.0技术的安全预警系统设计[J]. 王建新,苏俊盼,郑一麟. 物联网技术. 2019(11)
[4]基于面部几何特征及手部运动特征的驾驶员疲劳检测[J]. 刘明周,蒋倩男,扈静. 机械工程学报. 2019(02)
[5]基于多生理信息及迁移学习的驾驶疲劳评估[J]. 谢平,齐孟松,张园园,刘兆军,程生翠. 仪器仪表学报. 2018(10)
[6]面向机器人轮椅交互控制的头姿估计改进方法[J]. 徐国政,李威,朱博,高翔,宋爱国. 仪器仪表学报. 2018(09)
[7]基于心率监测的建筑工人生理疲劳分析[J]. 徐明伟,金龙哲,张驎,于露,刘建国,田兴华. 工程科学学报. 2018(06)
[8]航空管制员工作疲劳监测研究[J]. 袁江. 科技风. 2017(19)
[9]生理疲劳和心理疲劳对车辆驾驶的影响对比[J]. 钟铭恩,黄杰鸿,乔允浩,洪汉池. 中国安全生产科学技术. 2017(01)
[10]基于低功耗蓝牙的跌倒检测系统的设计[J]. 熊界,周晓青,刘志朋,殷涛. 中国医疗设备. 2016(12)
硕士论文
[1]基于认知科学的管制员疲劳状态检测方法研究与系统设计[D]. 项悦.中国民用航空飞行学院 2019
[2]基于Android蓝牙通信的野外设备监控系统[D]. 田翠玲.华中师范大学 2018
[3]基于多模生理信号的精神疲劳检测系统的设计与研究[D]. 李志学.兰州大学 2018
[4]基于眼睛与头部状态的疲劳检测系统设计[D]. 刘长亮.大连海事大学 2018
[5]基于表情与头部状态识别的疲劳驾驶检测算法的研究[D]. 邹昕彤.吉林大学 2017
[6]基于低功耗蓝牙的无线医疗监护系统的设计与实现[D]. 饶丽娜.湖北工业大学 2017
[7]基于低功耗蓝牙智能健康手表的设计[D]. 吴梦想.宁夏大学 2017
[8]基于头动信息和眼动信息的视线跟踪技术研究[D]. 聂向荣.燕山大学 2017
[9]基于MEMS加速度传感器的动作信号采集和识别研究[D]. 郭伟桥.燕山大学 2017
[10]基于加速度传感器的日常行为识别的特征提取方法研究[D]. 钟君.兰州大学 2016
本文编号：3042192
本文链接：https://www.wllwen.com/kejilunwen/yiqiyibiao/3042192.html
