首页 / 专利库 / 视听技术与设备 / 均值漂移过程 / 眼部疲劳度检测系统及方法

眼部疲劳度检测系统及方法

阅读:737发布:2020-05-08

专利汇可以提供眼部疲劳度检测系统及方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了眼部疲劳度检测系统及方法,包括 信号 采集 电极 ,信号解析模 块 ,通信模块,移动设备端,数据平台,信号采集电极是一种单通道电极,包括三个电极:左电极、右电极和右腿驱动电极,分别固定设备的左右和中间 位置 ,解析模块包括初级信号放大模块,次级放大模块,滤波 电路 模块,高 精度 采样 模块, 微处理器 ,外设控 制模 块,通信模块,眼部疲劳度检测方法具体实现步骤如下:(1)获取眼 电信号 ;(2)原始眼电信号的预处理;(3)特征信号提取;(4)利用得到眼动信号的特征值进行评分与分类。通过眼电信号提取七种特征值运用 决策树 和支持向量对眼部疲劳度进行评分和分类,使眼部疲劳度的检测简洁、方便,且有针对性,适宜大规模应用。,下面是眼部疲劳度检测系统及方法专利的具体信息内容。

1.眼部疲劳度检测系统,其特征在于:包括信号采集电极、解析模、通信模块、移动设备端和数据平台,
所述的信号采集电极为一单通道电极,包括三个电极:左电极、右电极和右腿驱动电极,分别固定设备的左、右和中间位置,并连续实时记录待测者的眼电信号,所述的解析模块包括初级信号放大模块,次级放大模块,滤波电路模块、高精度采样模块、微处理器、外设控制模块和通信模块,所述初级信号放大模块、次级放大模块、滤波电路模块和高精度采样模块依次连接,所述微处理器分别连接高精度采样模块、外设控制模块和通信模块,所述初级信号放大模块,次级放大模块,滤波电路模块、高精度采样模块和微处理器集成与一个芯片内,
所述的通信模块配置成对计算的数据和采集的数据通过蓝牙或者WIFI与移动设备端进行通信,
所述的移动设备端通过WIFI或者4G将数据传输给数据平台,进行存储、分析,所述的数据平台用于对数据进行实时显示,进行大数据分析,配置成对长期采集的数据进行汇总分析,并长期跟踪用户眼部疲劳度健康状况。
2.根据权利要求1所述的眼部疲劳度检测系统,其特征在于:所述的信号采集电极为干电极或者湿电极,所述干电极为金属、金属合金电极或者导电布其中的一种。
3.根据权利要求1所述的眼部疲劳度检测系统,其特征在于:所述的初级放大模块至少
10MΩ以上,远大于电极与皮肤间的阻抗。
4.根据权利要求1所述的眼部疲劳度检测系统,其特征在于:所述的高精度采样模块,采用过采样技术,采样频率在250HZ以上,采样位数在16位以上。
5.根据权利要求1所述的眼部疲劳度检测系统,其特征在于:所述的移动设备端为手机、平板或者电脑其中的一种,配置有APP,对计算结果进行实时显示,以及作为中转设备端进行数据传输。
6.根据权利要求1-5任一所述的眼部疲劳度检测系统,其特征在于:还包括该眼部疲劳度检测系统的检测方法:由眼电信号提取出七种眼动特征信号,经过预处理后,提取特征值;将眼电信号的不同特征值作为下一步将要处理的数据,进行机器学习相关算法处理,最终得到对于眼部疲劳的疲劳程度打分和分类。
7.根据权利要求6所述的眼部疲劳度检测系统的检测方法,其特征在于:所述方法的实现具体步骤为:
(1)获取眼电信号:在左右眼和前额区域放置电极,并连续实时记录待测者最原始的眼电信号;
(2)原始眼电信号的预处理:包括低通滤波、下采样和小波分析;
(3)特征信号提取;包括各种滤波方法、小波变换阈值插值提取算法,傅里叶变换;
(4)利用得到眼动信号的特征值进行评分和分类:利用眼电信号提取七种特征值运用决策树和支持向量对眼部疲劳度进行评分和分类。
8.根据权利要求7所述的眼部疲劳度检测系统的检测方法,其特征在于:所述步骤(2)中,预处理方法具体包括采用数字滤波低通滤波,实现对原始信号的去工频干扰,对于基线漂移,则采用小波处理,将低于0.05HZ的基线漂移干扰信号利用了小波分析,将滤波后的眼电信号进行多层小波分解,得到频率低于0.1HZ的基线成分,用原始信号减去基线部分,最终得到了去除工频干扰和基线漂移的较为纯净的EOG眼电信号。
9.根据权利要求7所述的眼部疲劳度检测系统的检测方法,其特征在于:所述步骤(3)中,提取方法具体包括以下步骤:
3.1)、慢速眼动的提取:首先将预处理之后的眼电信号进行25HZ的低通滤波,利用小波分析方法将信号分级,找出与慢速眼动信号(频率处于0.2HZ-0.6HZ)频域近似的分级,以此作为基底,再利用小波系数来计算各阶能量,计算公式为:
其中,Ei代表第i阶小波包含的总能量,dij表示第i阶第j个数。由此可计算出慢速眼动对于整个眼动过程中的占比和慢速眼动能谱;
3.2)、快速眼动提取:
首先,利用eeglab对信号进行带通滤波
然后,计算信号的差分,每一点代表了信号同一时间的变化率,利用公式:
D[i]=(V[i+1]-V[i])×R
求得差分信号,其中,D为差分信号,V代表经过滤波之后的眼动信号,R为采样率,最后,统计超过阈值的点的个数;
3.3)、眼动能量提取:利用傅里叶变换来提取能量特征,慢速眼动频带取0.1HZ-1HZ,快速眼动频带取1.5Hz-2Hz;2Hz-5Hz,5Hz-8Hz和8Hz-10HZ四个频段,
根据帕斯瓦尔关系式,信号时域的平方和等于频域的平方和,所以频带能量是带通滤波后的信号值的平方和,每ns内的不同频带的能量值可分别表示为:
3.4)、眼动峰值数的计算:对于整个眼电信号的幅值取上下阈值,统计所有超过阈值的波峰和波谷点的数量之后作和,
N[total]=N[peaks]+N[valleys]
3.5)、眼动均值数:把上一步求到的眼动峰值总数,做商除以在此期间内的统计周期个数,则得到了测量期间内的每周期眼动均值数,
3.6)、眼动标准差:基于各个周期内的眼动峰值数和每周期内的眼动均值数,利用以下公式,就可得到眼动信号的标准差值,其中,NT为测量时间内的周期数;NI为每周期内的眼动数;则NA为测量期间内平均每周期的眼动数,
10.根据权利要求9所述的眼部疲劳度检测系统的检测方法,其特征在于:所述步骤(4)具体实现步骤为:
4.1)、将之前利用眼电信号提取的七种特征值计算熵,由此判断先对哪个特征进行分裂,信息熵的计算公式如下:
其中,P(x)表示事件x出现的概率;
4.2)、选择信息墒变化幅度最大的特征来作为数据集划分依据;
4.3)、递归地处理被划分后的所子数据集,从未被选择的特征里继续重复以上步骤,选择出最优数据划分特征来划分子数据集,形成决策树,实现对眼部疲劳分类的目的。

说明书全文

眼部疲劳度检测系统及方法

技术领域

[0001] 本发明涉及疲劳检测技术领域,具体为眼部疲劳度检测系统及方法。

背景技术

[0002] 眼疲劳是一种眼科常见病,它所引起的眼干、眼涩、眼酸胀、视物模糊甚至视下降直接影响着人的工作与生活。眼疲劳主要是由于人们平时全神贯注看电脑屏幕时,眼睛眨眼次数减少,造成眼泪分泌相应减少,同时闪烁荧屏强烈刺激眼睛而引起的。它会导致人的颈、肩等相应部位出现疼痛,还会引发和加重各种眼病,如青少年会出现近视眼或加深原有近视程度,有青光眼等眼疾病的患者还可因眼的过度疲劳而引发或加重原有眼部疾病。因此,在日常生产生活中,清楚地了解自身的眼疲劳程度对缓解眼疲劳度的措施的实施具有非常重要的意义。
[0003] 目前主流地测试眼部疲劳地方法主是基于图像、视频的检测方法。图像、视频检测主要利用红外或者彩色摄像头采集图像和视频信号,采用一些计算机视觉的技术定位眼睛的位置,通过视频信号提取眼睑运动的特征,以判断人的疲劳状态。此方法需要图像或视频拍摄设备,成本昂贵,无法广泛应用于实践中。而传统地利用电信号方法测试疲劳则是针对人体疲劳,大多为精神疲劳层面,不是针对眼部疲劳。基于以上现有技术存在的问题,亟待开发一种新型的眼疲劳检测系统与方法。
[0004] 眼电(EOG)记录的是人的膜与视网膜之间的静息电位,人的角膜一般带正电,视网膜带负电当眼球转动时眼睛周围的表皮会有微弱的电位变化,这种电位变化可以通过安置在人眼周围的电极采集。一般人体眼电信号的幅值范围为0.4~10m V,频率集中在0.1~38Hz,其主要成分在10Hz以下。利用眼电信号可以评估由视网膜病变引起的各种疾病,如由各种原因导致的夜盲症、眼部的视神经萎缩、先天性黑朦和视网膜的血液循环障碍等。
[0005] 基于此,本发明设计了眼部疲劳度检测系统及方法,将采集到的眼电信号进行放大滤波处理后从中提取出与疲劳程度相关的眼电信号特征指,利用这些特征值通过疲劳度检测算法实现对眼部疲劳的精准预测。以解决上述提到的问题。

发明内容

[0006] 本发明的目的在于提供眼部疲劳度检测系统及方法,以解决上述背景技术中提出的问题。
[0007] 为实现上述目的,本发明提供如下技术方案:眼部疲劳度检测系统,包括信号采集电极、解析模、通信模块、移动设备端和数据平台,
[0008] 所述的信号采集电极为一单通道电极,包括三个电极:左电极、右电极和右腿驱动电极,分别固定设备的左、右和中间位置,并可以连续实时记录待测者的眼电信号,[0009] 所述的解析模块包括初级信号放大模块,次级放大模块,滤波电路模块、高精度采样模块、微处理器、外设控制模块和通信模块,所述初级信号放大模块、次级放大模块、滤波电路模块和高精度采样模块依次连接,所述微处理器分别连接高精度采样模块、外设控制模块和通信模块,所述初级信号放大模块,次级放大模块,滤波电路模块、高精度采样模块和微处理器集成与一个芯片内,
[0010] 所述的通信模块配置成对计算的数据和采集的数据通过蓝牙或者WIFI与移动设备端进行通信,
[0011] 所述的移动设备端通过WIFI或者4G将数据传输给数据平台,进行存储、分析,以获得长期的疲劳度的数据,
[0012] 所述的数据平台用于对数据进行实时显示,进行大数据分析,配置成对长期采集的数据进行汇总分析,并长期跟踪用户眼部疲劳度健康状况。
[0013] 优选的,所述的信号采集电极由导电性能良好材质制作而成,为干电极或者湿电极,所述干电极为金属、金属合金电极或者导电布其中的一种。
[0014] 优选的,所述的初级放大模块拥有足够高输入阻抗,至少10MΩ以上,远大于电极与皮肤间的阻抗。
[0015] 优选的,所述的高精度采样模块,采用过采样技术,具有很高的采样频率和采样精度,采样频率在250HZ以上,采样位数在16位以上。
[0016] 优选的,所述的微处理器内嵌高性能主控芯片,能够流畅运行眼部疲劳算法,对眼电信号进行特征信号提取并在后续处理中依据这些特征值进行眼部疲劳度评分及分类。
[0017] 优选的,所述的移动设备端为手机、平板或者电脑其中的一种,配置有APP,对计算结果进行实时显示,以及作为中转设备端进行数据传输。
[0018] 优选的,还包括该眼部疲劳度检测系统的检测方法:由眼电信号提取出七种眼动特征信号,经过预处理后,提取特征值;将眼电信号的不同特征值作为下一步将要处理的数据,进行机器学习相关算法处理,最终得到对于眼部疲劳的疲劳程度打分和分类。
[0019] 优选的,所述方法的实现具体步骤为:
[0020] (1)获取眼电信号:在左右眼和前额区域放置电极,并连续实时记录待测者最原始的眼电信号;
[0021] (2)原始眼电信号的预处理:包括低通滤波、下采样和小波分析;
[0022] (3)特征信号提取;包括各种滤波方法、小波变换阈值插值提取算法,傅里叶变换;
[0023] (4)利用得到眼动信号的特征值进行评分和分类:利用眼电信号提取七种特征值运用决策树和支持向量对眼部疲劳度进行评分和分类。
[0024] 优选的,所述步骤(2)中,预处理方法具体包括采用数字滤波低通滤波,实现对原始信号的去工频干扰,对于基线漂移,则采用小波处理,将低于0.05HZ的基线漂移干扰信号利用了小波分析,将滤波后的眼电信号进行多层小波分解,得到频率低于0.1HZ的基线成分,用原始信号减去基线部分,最终得到了去除工频干扰和基线漂移的较为纯净的EOG眼电信号。
[0025] 优选的,所述步骤(3)中,提取方法具体包括以下步骤:
[0026] 3.1)、慢速眼动的提取:首先将预处理之后的眼电信号进行25HZ的低通滤波,利用小波分析方法将信号分级,找出与慢速眼动信号(频率处于0.2HZ-0.6HZ)频域近似的分级,以此作为基底,再利用小波系数来计算各阶能量,计算公式为:
[0027]
[0028] 其中,Ei代表第i阶小波包含的总能量,dij表示第i阶第j个数。由此可计算出慢速眼动对于整个眼动过程中的占比和慢速眼动能谱;
[0029] 3.2)、快速眼动提取:
[0030] 首先,利用eeg lab对信号进行带通滤波
[0031] 然后,计算信号的差分,每一点代表了信号同一时间的变化率,利用公式:
[0032] D[i]=(V[i+1]-V[i])×R
[0033] 求得差分信号,其中,D为差分信号,V代表经过滤波之后的眼动信号,R为采样率,[0034] 最后,统计超过阈值的点的个数;
[0035] 3.3)、眼动能量提取:利用傅里叶变换来提取能量特征,慢速眼动频带取0.1HZ-1HZ,快速眼动频带取1.5Hz-2Hz;2Hz-5Hz,5Hz-8Hz和8Hz-10HZ四个频段,
[0036] 根据帕斯瓦尔关系式,信号时域的平方和等于频域的平方和,所以频带能量是带通滤波后的信号值的平方和,每ns内的不同频带的能量值可分别表示为:
[0037]
[0038] 3.4)、眼动峰值数的计算:对于整个眼电信号的幅值取上下阈值,统计所有超过阈值的波峰和波谷点的数量之后作和,
[0039] N[total]=N[peaks]+N[valleys]
[0040] 3.5)、眼动均值数:把上一步求到的眼动峰值总数,做商除以在此期间内的统计周期个数,则得到了测量期间内的每周期眼动均值数,
[0041]
[0042] 3.6)、眼动标准差:基于各个周期内的眼动峰值数和每周期内的眼动均值数,利用以下公式,就可得到眼动信号的标准差值,其中,NT为测量时间内的周期数;NI为每周期内的眼动数;则NA为测量期间内平均每周期的眼动数,
[0043]
[0044] 优选的,所述步骤(4)具体实现步骤为:
[0045] 4.1)、将之前利用眼电信号提取的七种特征值计算熵,由此判断先对哪个特征进行分裂,信息熵的计算公式如下:
[0046]
[0047] 其中,P(x)表示事件x出现的概率;
[0048] 4.2)、选择信息墒变化幅度最大的特征来作为数据集划分依据;
[0049] 4.3)、递归地处理被划分后的所子数据集,从未被选择的特征里继续重复以上步骤,选择出最优数据划分特征来划分子数据集,形成决策树,实现对眼部疲劳分类的目的。
[0050] 与现有技术相比,本发明的有益效果是:
[0051] (1)本发明提供一个利用眼电信号检测眼部疲劳程度的装置和方法,是一种使用方便、成本低廉、可大规模推广的解决方案。
[0052] (2)将采集到的眼电信号进行放大滤波处理后从中提取出与疲劳程度相关的眼电信号特征指,利用这些特征值通过疲劳度检测算法实现对眼部疲劳的精准预测,算法复杂度的符合低功耗要求,可以及在便携式设备中实施。
[0053] (3)通过眼电信号提取七种特征值运用决策树和支持向量对眼部疲劳度进行评分和分类,使眼部疲劳度的检测简洁、方便,且有针对性,适宜大规模应用。附图说明
[0054] 为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
[0055] 图1为本发明眼部疲劳度检测系统结构框图
[0056] 图2为本发明疲劳度检测时电极佩戴位置示意图;
[0057] 图3为本发明测量测量眼部疲劳算法流程图
[0058] 图4为本发明决策树流程图。
[0059] 附图中,各标号所代表的部件列表如下:
[0060] 100、信号检测电极;110、解析模块;111、初级信号放大模块;112、次级放大模块;113、滤波电路模块;114、高精度采样模块;115、微处理器;116、外设控制模块;117、通信模块;120、移动设备端;130、数据平台。

具体实施方式

[0061] 下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
[0062] 图1是依据本发明一个实施例的眼部疲劳度检测系统结构框图,包括信号采集电极100,解析模块110,通信模块117,移动设备端120,数据平台130。其中,信号检测电极100用于接触人体特定的眼部部位检测眼电信号;解析模块110包括初级信号放大模块111,次级放大模块112,滤波电路模块113,高精度采样模块114,微处理器115,外设控制模块116,通信模块117;其中的初级信号放大模块111为微弱信号的第一级放大电路,具有高输入阻抗、低噪声、高共模抑制比、低漂移、非线性等特点,能够提供合适的动态范围;次级信号放大模块112用于进一步放大111的信号,以提高增益;滤波电路模块用于消除工频干扰、基线漂移及外部的可能的噪声;高精度采样模块114用于采集113放大后的信号三级放大并进行高精度AD信号采集;微处理器115具体可为STM32、FPGA、DSP等类型的单片机系统,用于对眼电信号进行特征信号提取并在后续处理中依据这些特征值进行眼部疲劳度评分及分类;外设指示控制模块116用于指示所述通信模块与其他部分的连接状态;通信模块117用于微处理器和移动设备端之间的通信;移动设备端120通过通信模块与微处理器之间实现数据的通信;数据平台130接收到移动设备端的数据,进行存储、分析,跟踪用户的眼部疲劳度信息并提供指导建议。
[0063] 在一些实施例中,信号采集电极100可以是干电极如金属、金属合金电极、导电布等可以导电材料做成的电极,也可以是湿电极。
[0064] 在一些实施例中,检测疲劳度时,电极的佩戴位置如图2所示,包括三个电极:左电极、右电极和右腿驱动电极。眼电电极分别固定设备的左右和中间位置,并以实时记录待测者的眼电信号。
[0065] 在一些实施例中,初级信号放大模块111将最原始的眼电信号进行初级放大,并将眼电电流信号转换成电压信号。
[0066] 在一些实施例中,初级信号放大模块111的输入阻抗足够高,一般应该在10MΩ以上,远大于电极与皮肤间的阻抗,从而获取更高幅值的信号。
[0067] 在一些实施例中,高精度采样模块114采用过采样技术,具有很高的采样频率和采样精度,一般采样频率至少在250HZ以上,至少16位以上采样位数,以保证能够提取有效的EOG信号。
[0068] 在一些实施例中,初级信号放大模块111,次级放大模块112,滤波电路模块113,高精度采样模块114,甚至微处理器115集成在一个芯片内部,以减小设备的尺寸和体积,适用于可穿戴设备。
[0069] 在一些实施例中,当通信模块116和移动客户端120处于连接状态时,连接指示灯提示;当解析模块获取的信号质量不稳定或无信号时,通过声音或者指示灯提示。
[0070] 在一些实施例中,微处理器115内嵌高性能主控芯片,能够运行眼部疲劳算法,对眼电信号进行特征信号提取并在后续处理中依据这些特征值进行眼部疲劳度评分及分类;
[0071] 在一些实施例中,主控芯片通过串口与通信模块进行通信,串口通信模块通过蓝牙或WIFI与移动设备端进行通信。
[0072] 在一些实施例中,移动设备端120可以是手机、平板、电脑等移动设备。
[0073] 在一些实施例中,移动设备端120通过WIFI或4G将数据传输给数据平台,进行存储,分析,以获得长期的疲劳度的数据。
[0074] 作为本发明的另一个方面,提供一种应用前述设备实现的眼部疲劳度的检测方法。图3为测量测量眼部疲劳算法流程图,具体实现步骤与方法如下:
[0075] 步骤1:获取眼电信号
[0076] EOG是一种测量视网膜静息电位的技术,被称为眼电图。人眼的角膜相对于眼球后端表现为正电,因为其电势不受光存在的影响,所以被认为是一种静态电位。这种电势不是固定的,它极其缓慢地变化着,并且为眼电的产生提供了基础。眼电测量的是人眼前后角膜视网膜电位,常用于眼科诊断和记录眼部活动,通常的大小为0.4mv~1.0mV。为了测量眼部活动,典型的做法是在眼部的上下和左右各放置一个电极。如果眼球向某个方向运动时,电极能够感知到视网膜的正负极运动,且在两个电极上表现为相反的电势,因此两个电极之间存在电势差。利用此原理,在左右眼和前额区域放置电极,得到了最原始的眼电信号。
[0077] 步骤2:原始眼电信号的预处理
[0078] 眼电信号在获取时,通常原始信号会伴有工频干扰、基线漂移等信号干扰,原始信号中还会包含肌电、脑电等信号。对原始信号进行预处理以得到较为纯净的眼电信号是整个眼部疲劳分析的第一步。利用低通滤波、下采样和小波分析去除基线漂移和工频干扰。眼电的信号按频率可分为慢速眼动信号和快速眼动信号,通常慢速眼动信号的频率处于0.2HZ-0.6HZ,快速眼动信号的频率为1HZ-8HZ,而工频干扰的频率通常在50HZ上下。所以采用数字滤波低通滤波,实现对原始信号的去工频干扰。与脑电、肌电相比,眼电信号幅值相对较高,但本系统提出的测试眼电信号的电极位置能获取的来自脑电与肌电的信号幅值很低,对眼电信号的干扰微乎其微,所以可以不处理降噪。对于基线漂移,则采用了小波处理。
在眼电信号中,通常低于0.05HZ的信号被视作基线漂移干扰。利用了小波分析,将滤波后的眼电信号进行多层小波分解,得到频率低于0.1HZ的基线成分,用原始信号减去基线部分,最终得到了去除工频干扰和基线漂移的较为纯净的EOG眼电信号。
[0079] 步骤3:特征信号提取
[0080] 眼动的信号包括慢速眼动所占比例、慢速眼动平均幅值、慢速眼动幅值方差、快速眼动比例、快速眼动峰值速度、快速眼动平均幅值、快速眼动幅值方差、眨眼时长、闭眼时长、睁眼时长、睁眼时延、睁眼时延与眨眼时长比、眨眼间隔、眨眼平均幅值、闭眼峰值速度、睁眼峰值速度、闭眼平均速度、睁眼平均速度、平眼电低频高频能量比、垂直眼电低频高频能量比。
[0081] 本专利采用单通道三电极设备,只采用左、右两眼分别的水平眼动信号,有效简化了设备使用难度,降低了因使用过多特征信号造成的算法维数灾难。在上述特征值中选出了最与疲劳度相关的几种进行提取和处理,分别为:慢速眼动信号(个数和比列)、快速眼动信号(个数和比列)、眼动能量、眼动峰值数(对应为眼动总次数)、眼动均值数、眼动标准差值、眼动信号排列熵。由于未在眼部上下部位放置电极,上下眼动信号和眨眼信号不用提取。
[0082] 慢速眼动的提取:首先将预处理之后的眼电信号进行25HZ的低通滤波,利用小波分析方法将信号分级,找出与慢速眼动信号(频率处于0.2HZ-0.6HZ)频域近似的分级,以此作为基底。再利用小波系数来计算各阶能量。计算公式为:
[0083]
[0084] 其中,Ei代表第i阶小波包含的总能量,dij表示第i阶第j个数。由此可计算出慢速眼动对于整个眼动过程中的占比和慢速眼动能谱。
[0085] 快速眼动提取:对于快速眼动信号,采用了一种基于阈值的插值提取算法。对于水平眼动的速度设置阈值,超过此阈值则认为发生了快速眼动。对水平眼动信号进行1-8HZ的带通滤波,计算其差分信号并取其绝对值,最后统计超过阈值的点的个数。第一步,利用eeg lab对信号进行带通滤波。第二步,计算信号的差分,每一点代表了信号同一时间的变化率。利用公式:
[0086] D[i]=(V[i+1]-V[i])×R
[0087] 求得差分信号,其中,D为差分信号,V代表经过滤波之后的眼动信号,R为采样率。
[0088] 眼动能量提取:眼电信号中不同频带的能量可以表达不同运动的强度。本专利利用傅里叶变换来提取能量特征。慢速眼动频带取0.1HZ-1HZ;而为了更精确地计算快速眼动能量,快速眼动频带取1.5Hz-2Hz;2Hz-5Hz,5Hz-8Hz和8Hz-10HZ四个频段。根据帕斯瓦尔关系式,信号时域的平方和等于频域的平方和,所以频带能量是带通滤波后的信号值的平方和,每ns内的不同频带的能量值可分别表示为:
[0089]
[0090] 眼动峰值数的计算:对于整个眼电信号的幅值取上下阈值,统计所有超过阈值的波峰和波谷点的数量之后作和。
[0091] N[total]=N[peaks]+N[valleys]
[0092] 眼动均值数:把上一步求到的眼动峰值总数,做商除以在此期间内的统计周期个数,则得到了测量期间内的每周期眼动均值数。
[0093]
[0094] 眼动标准差:基于各个周期内的眼动峰值数和每周期内的眼动均值数,利用以下公式,就可得到眼动信号的标准差值。其中,其中,NT为测量时间内的周期数;NI为每周期内的眼动数;则NA为测量期间内平均每周期的眼动数。
[0095]
[0096] 眼动信号排列熵:眼动信号排列熵主要用于后续处理眼部疲劳测量的决策树算法中,所以提取眼动信号排列熵的工作在步骤四中进行详细解释。
[0097] 步骤4:利用得到眼动信号的特征值进行评分与分类
[0098] 中国电子视像行业协会于2019年7月18日发布了《显示终端视觉疲劳测试与评价方法第2部分量表评价方法》,本评价办法结合了国内外研究经验,有准确度及精确度数据的视疲劳量表,旨在规范行业内评估大众因使用显示终端而产生的眼部疲劳的方法。此方法采用问卷调查的形式,通过对众多选项的打分得到被测试者的疲劳分数,为行业内唯一的权威评估办法。本专利结合了此评价方法,用EOG设备测试被测试者之前,先用此评价方法得出此时被测试者的眼部疲劳打分和分类,并作为参考值对数据进行机器学习与分类。
[0099] 本专利利用了决策树和支持向量机对眼电信号进行疲劳度分类。
[0100] 决策树(decision tree)是一个树结构,决策树的决策过程非常直观,容易被人理解。其每个非叶节点表示一个特征属性上的测试,每个分支代表这个特征属性在某个值域上的输出,而每个叶节点存放一个类别。使用决策树进行决策的过程就是从根节点开始,测试待分类项中相应的特征属性,并按照其值选择输出分支,直到到达叶子节点,将叶子节点存放的类别作为决策结果。首先将之间所得到的几个眼电信号的特征值计算信息熵,由此判断先对哪个特征进行分裂。信息熵的计算公式如下:
[0101]
[0102] 其中P(x)表示事件x出现的概率。分别对所有特征值进行计算之后,使用这个公式划分数据集前后信息墒的变化值,然后选择信息墒变化幅度最大的那个特征来作为数据集划分依据。最后递归地处理被划分后的所子数据集,从未被选择的特征里继续重复以上步骤,选择出最优数据划分特征来划分子数据集,形成决策树。最终实现对眼部疲劳分类的目的。
[0103] 为了更清晰明了的解释眼部疲劳度决策树算法,图4为本专利所用的决策树流程图。
[0104] 线性支持向量机(SVM)与决策树作用类似,本专利用此算法进行与决策树的预测结果对比。由于其高度的灵活性、优良的计算效率和快速的高维数据处理能力,一直是很受欢迎的机器学习分类器之一。它是一种监督式学习的方法,广泛应用于统计分类和回归分析中。其具体思想为将向量映射到一个更高维的空间里,将低维输入空间线性不可分的样本转化为高维特征空间并使其线性可分,在这个空间里建立一个最大间隔超平面。分类决策就是根据目前样本在特征空间上的映射得到特征向量,使用分类模型把这个特征向量划分为某一类。本专利利用的线性支持向量机分类器模型被训练成可以分类轻度疲劳/中度疲劳/严重疲劳的三分类模型。
[0105] 在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0106] 以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈