基于Android平台的精神疲劳检测系统的设计与应用

目的:设计一套基于Android平台的精神疲劳检测系统,实时检测、监测被测对象的精神疲劳状态。方法:遵循准确性、易用性、便携性原则,利用脑电信号多尺度熵结合长短期记忆(long-short term memory,LSTM)人工神经网络模型,通过MindWave系列单通道脑电信号采集设备,设计并实现包括移动端和服务器端两大部分的精神疲劳检测系统。其中移动端采用Android Studio作为开发工具,通过Java编程语言进行设计;服务器端采用Eclipse作为开发工具,在Tomcat运行环境下进行设计。结果:该系统不仅可以显示脑电信号波形图,专注度、冥想度曲线图,以及从原始脑电信号数据提取出来的α波、β波和θ波波形图,对精神疲劳等级进行量化,还可以存储用户数据,不断完善LSTM人工神经网络模型,从而使量化结果越来越准确。结论:基于Android平台的精神疲劳检测系统小型、便捷,能够简便、快速、实时地对用户精神疲劳状态进行检测与监测,可防止疲劳作业引发的安全事故。

基于HRV分析的可穿戴心电仪精神疲劳检测

精神疲劳是许多慢性疾病如心血管疾病、糖尿病和癌症的关键原因,然而又难以量化评估及测量,提出了一种通过智能穿戴设备检测脑力劳动者疲劳程度的工程可行性的方案。为了检测脑力疲劳程度,通过Man-Whitney U检验评估了HRV各项指标在判断精神疲劳状态的统计显著性,并使用随机森林进行特征选择以确定HRV各项指标的重要性。研究发现,最重要的HRV指标分别是NN.mean、PNN50、VLF、LF和TP。最后采用SVM、naive Bayes、KNN和逻辑回归四种机器学习算法对疲劳状态进行识别,实验证明了KNN分类器最为有效,其交叉验证准确率为75.5%和AUC为0.74。

并行时间卷积的疲劳检测

生物信号是时间序列信息,具有非线性和时变性的特点,疲劳状态能通过脑电信号(EEG)和眼电信号(EOG)等生物信号分析得到。文章提出并行时间卷积神经网络(P-TCN)模型,用于EEG和EOG融合的精神疲劳检测分析,对两种生理信号特征进行BatchNorma处理后输入TCN网络学习,再通过特征融合进行二次学习。使用公开的警觉度SEED-VIG数据集进行实验,结果表明,结合EEG和EOG确实能提高疲劳检测的性能,提出的P-TCN模型与现有的时序处理算法LSTM模型进行对比,不但能学习到生物信号前后的时间信息,同时具有卷积网络并行计算的特点。