基于人体信息和环境信息融合的智能矿用头盔控制方法.pdf

上传人:1520****312 文档编号:8034123 上传时间:2019-12-17 格式:PDF 页数:30 大小:1.89MB
返回 下载 相关 举报
摘要
申请专利号:

CN201810715885.1

申请日:

20180703

公开号:

CN108903936A

公开日:

20181130

当前法律状态:

有效性:

审查中

法律详情:

IPC分类号:

A61B5/0476,A61B5/048,A61B5/18

主分类号:

A61B5/0476,A61B5/048,A61B5/18

申请人:

西安科技大学

发明人:

汪梅,牛钦,翟珂,王刚,张佳楠,张思明,张松志

地址:

710054 陕西省西安市雁塔中路58号

优先权:

CN201810715885A

专利代理机构:

北京世誉鑫诚专利代理事务所(普通合伙)

代理人:

魏秀枝

PDF下载: PDF下载
内容摘要

本发明公开了一种基于人体信息和环境信息融合的智能矿用头盔控制方法,包括原始脑电波信号的获取;原始脑电波的预处理;原始脑电波信号的小波分解重构;脑波信号特征提取;人工鱼群算法优化BP神经网络对疲劳特征进行识别;识别矿工疲劳度、监控矿工所处环境信息、对危险情况进行报警操作。本发明提取对原始脑电波信号预处理(滤波、去噪)后获得的高精度脑电波信号中四个子带能量、ApEn近似熵、KC复杂度和C0复杂度作为人工鱼群算法优化BP神经网络的输入层,训练人工鱼群算法优化BP神经网络识别矿工疲劳,识别准确率高,并通过佩戴在矿工手腕上的智能可穿戴手环对不同危险等级的安全状态进行声、光、震动三种方式的三重报警,从而提高井下操作安全系数。

权利要求书

1.基于人体信息和环境信息融合的智能矿用头盔控制方法,其特征在于,包括以下步骤:S1、原始脑电波信号的获取:通过安装在矿用头盔上的脑电信号获取装置采集矿工的原始脑电波信号并对其进行预处理,得到处理后的脑电波信号后发送到安装在矿用头盔本体后侧的脑电信号处理器;同时,采用红外复合五合一气体传感器、DHT11温湿度传感器对二氧化碳、甲烷、一氧化碳、甲醛、挥发性有机物浓度进行测量,将气体参数传输给主控制器;所述脑电信号获取装置包括安装在矿用头盔本体的内表面上获取大脑右侧前额叶部位精神状态的第一脑电电极、采集的耳垂处的电位且屏蔽参考信号的第二脑电电极和屏蔽大脑以下伪迹信号的第三脑电电极,以及安装在矿用头盔本体后侧用于对第一脑电电极、第二脑电电极和第三脑电电极采集的信号进行预处理的脑电信号处理器,脑电信号处理器的信号输出端与主控制器的信号输入端相接;S2、原始脑电波信号去噪,过程如下:S21、在脑电信号处理器中,选择与原始信号最相近的小波基函数,确定小波变换的分解尺度,利用Mallat塔式方法对信号进行小波变换,进而得到不同分解尺度的高频系数分量和低频系数分量;S22、计算第j尺度上的小波阈值,比较n个子带信号的小波熵,选取小波熵值最大的子带的小波系数,认为该子带的小波系数是由噪声引起的,计算该子带小波系数的中值,作为第j尺度的噪声方差,从而可以计算得到第j尺度的小波阈值;S23、由于不同尺度上的噪声小波系数值不同,随着分解尺度的增加,噪声的小波系数越来越小,所以按S22分别计算不同尺度的小波阈值,并对每一尺度的高频系数分量进行阈值化处理,得到近似高频小波系数;S24、利用最高一层小波分解的低频系数分量和经过阈值处理的不同尺度的近似高频小波系数分量,组成进行信号重构所需要的系数分量,按多分辨率分析的重构式进行重构,得到纯净脑电波信号;S3、脑波特征提取,过程如下:S31、选取小波基对脑电波信号进行小波分解:脑电信号处理器利用sym5小波基函数对脑电信号获取模块采集的脑电波信号进行小波分解和重构,信号分解表达式为:式中细节系数为:式中逼近系数为:式中尺度函数为:式中小波函数为:则最终信号重构表达式为:S32、采用sym5小波函数对脑波信号进行六层分解,分别得到信号六层低频a6、六层高频d6、五层高频d5、四层高频d4;经过FFT的频率检测发现六层低频a6、六层高频d6、五层高频d5、四层高频d4分别近似于δ波、θ波、α波、β波的频率,因此采用小波分解的信号来代表δ波、θ波、α波、β波;额叶区脑电波f(n)经过快速傅里叶变换得到F(k)。式中,f(n)为脑波采集模块采集的额叶区脑波离散信号,n为采样点的序号,N是采样点的总数,k是整数。S33、对原始数据进行小波分解获得不同频带的δ(x)、θ(x)、α(x)、β(x)子带信号,其子带能量为:计算每个信号的能量比:E=E(δ)+E(θ)+E(α)+E(β),En(δ)=E(δ)/E,En(θ)=E(θ)/E,En(α)=E(α)/E,En(β)=E(β)/E,从而能够定量分析出矿工在疲劳状态、清醒状态和集中状态下的EEG的子信号所占比值;S34、计算ApEn近似熵、KC复杂度和C复杂度,比较疲劳状态、清醒状态、集中状态下脑电波信号这三个特征值的变化情况,并将若干组疲劳特征值、若干组清醒特征值、若干组集中特征值分别列表,保存起来,后续作为神经网络的输入数据;S4、人工鱼群算法优化BP神经网络对疲劳特征进行识别,过程如下:S41、将S3中得到的四个子带能量、ApEn近似熵、KC复杂度和C复杂度作为神经网络的输入层数据,分别用(1,0,0)、(0,1,0)、(0,0,1)代表疲劳、清醒、集中状态作为神经网络的输出层;S42、设BP神经网络中输入层有M个神经元,隐含层有J个神经元,输出层有K个神经元,输入层到隐含层之间的权值表示为w,隐含层神经元的阀值表示为b,隐含层到输出层之间的权值表示为v,输出层神经元的阀值表示为a。BP神经网络中要调整的参数是权值w、v和阀值b、a,将这些要调整的参数设为人工鱼状态,则人工鱼x可以表示为一个M*J+J+J*K+K维向量:x=(w,…,w,b,…,w,…,w,b,v,…,v,a…,v,…,v,a),其中w,…,w表示输入层神经元到第一个隐含层神经元的权值,b1表示隐含层第一个神经元的阀值,w,…w表示输入层神经元到第J个隐含层神经元的权值,bJ表示隐含层第J个神经元的阀值,v,…,v表示隐含层神经元到第一个输出层神经元的权值,a1表示输出层第一个神经元的阀值,v,…,v表示隐含层神经元到第K个输出层神经元的权值,a表示输出层第K个神经元的阀值,人工鱼的食物浓度FC设置为BP神经网络总误差E的倒数,即FC=1/E,这样人工鱼所要寻找的食物浓度最大的点就是BP神经网络误差最小的点,任意两条人工鱼x、x之间的欧几里得距离d表示为:式中x、x中的元素严责按照维度一一对应着相减,人工鱼x在执行觅食行为、聚群行为和追尾行为后就会改变自身的状态,同时对BP神经网络进行初始权值和阀值的一次调整;S43、根据BP神经网络误差函数的特点以及前人的设计经验,结合实验,选取中间隐含层的神经元为20,样本输入为17维的数据,网络输出为1维,即神经网络的结构设置为17-20-1;S44、人工鱼优化算法中选择人工鱼数目为10,可视域为0.5,拥挤因子为0.618,步长选择为0.1,迭代次数为50,重复探索次数为50;BP神经网络激活函数1选择tansig函数,激活函数2选择logsig函数,训练函数采用traindx函数,最大训练次数设置为20000次,学习率为0.05,误差要求精度为10,动量因子0.9;S45、对二元函数进行拟合来测试人工鱼群优化BP网络的性能:取步长为0.1,一共40000个数据,其中35000个做训练样本,5000做测试样本,对数据进行100次训练;S46、从脑电数据库中选取2100组数据,600组集中状态数据,600组清醒状态,600组疲劳状态,这1800组用于网络训练,其余300组用于网络测试,分组采用交叉的方式进行。利用上述步骤训练测试的神经网络对脑电波信号的状态进行识别,实现对井下人员疲劳度的监测;S5、主控制器处理各种传感器的浓度数据判断气体的超限状态,融合出当前的安全状态和危险等级,同时通过井下现有的通信节点发送到监控主机显示的界面,以及通过蓝牙模块与主控制器连接的佩戴在矿工手腕上的智能手环对不同危险等级的安全状态进行声、光、震动三种方式的三重报警。

说明书

技术领域

本发明涉及矿工疲劳识别技术领域,特别是一种基于人体信息和环境信息融合的智能矿用头盔控制方法。

背景技术

我国是全世界上最大的产煤国家。在现有矿山的技术背景基础上,传统意义上的矿用头盔已经不能满足市场需求,所以需要结合数字化矿山监测系统对矿用头盔进行智能升级。研究矿用智能头盔,可以完成井下复杂环境的监测和预警,同时为井上监控室提供矿工具体信息,为事故的排除,救援和事故原因分析提供了可靠的数据。现有的矿用头盔监测系统如下:

1、矿井报警方式多是安装在巷道里进行声光报警,对于偏离报警源(如在掘进一线超噪声、多粉尘的环境下)的人员而言,存在未及时收到报警信息等情况,即信息的实时性无法确保。

2、煤矿井下传感器往往在固定的位置对环境信息等进行监测,当人员走过这个位置时,就无法了解到自身所处环境的信息等,存在安全隐患。

3、现有的矿用头盔大多都只是完成矿工所处环境的监测、语音通话等,基本没有对矿工本身进行监测,更没有对矿工疲劳度等方面的检测评估。

发明内容

本发明的目的是要解决现有技术中存在的不足,提供一种基于人体信息和环境信息融合的智能矿用头盔控制方法。

为达到上述目的,本发明是按照以下技术方案实施的:

一种基于人体信息和环境信息融合的智能矿用头盔控制方法,包括以下步骤:

S1、原始脑电波信号的获取:通过安装在矿用头盔上的脑电信号获取装置获取矿工的原始脑电波信号并对其进行预处理,得到原始脑电波信号后发送安装在矿用本体后侧的脑电信号处理器;同时,采用红外复合五合一气体传感器、DHT11温湿度传感器对二氧化碳、甲烷、一氧化碳、甲醛、挥发性有机物浓度进行测量,将气体参数传输给主控制器;

所述脑电信号获取装置包括安装在矿用头盔本体的内表面上获取大脑右侧前额叶部位精神状态的第一脑电电极、采集的耳垂处的电位且屏蔽参考信号的第二脑电电极和屏蔽大脑以下伪迹信号的第三脑电电极,以及安装在矿用头盔本体后侧用于对第一脑电电极、第二脑电电极和第三脑电电极采集的信号进行预处理的脑电信号处理器,脑电信号处理器的信号输出端与主控制器的信号输入端相接;

S2、原始脑电波信号去噪,过程如下:

S21、在脑电信号处理器中,选择与原始信号最相近的小波基函数,确定小波变换的分解尺度,利用Mallat塔式方法对信号进行小波变换,进而得到不同分解尺度的高频系数分量和低频系数分量;

S22、计算第j尺度上的小波阈值,比较n个子带信号的小波熵,选取小波熵值最大的子带的小波系数,认为该子带的小波系数是由噪声引起的,计算该子带小波系数的中值,作为第j尺度的噪声方差,从而可以计算得到第j尺度的小波阈值;

S23、由于不同尺度上的噪声小波系数值不同,随着分解尺度的增加,噪声的小波系数越来越小,所以按S22分别计算不同尺度的小波阈值,并对每一尺度的高频系数分量进行阈值化处理,得到近似高频小波系数;

S24、利用最高一层小波分解的低频系数分量和经过阈值处理的不同尺度的近似高频小波系数分量,组成进行信号重构所需要的系数分量,按多分辨率分析的重构式进行重构,得到纯净脑电波信号;

S3、脑波特征提取,过程如下:

S31、选取小波基对脑电波信号进行小波分解重构:脑电信号处理器利用sym5小波基函数对脑电信号获取模块采集的脑电波信号进行小波分解,信号分解表达式为:

式中细节系数为:式中逼近系数为:式中尺度函数为:式中小波函数为:则最终信号重构表达式为:

S32、采用sym5小波函数对脑波信号进行六层分解,分别得到信号六层低频a6、六层高频d6、五层高频d5、四层高频d4;经过FFT的频率检测发现六层低频a6、六层高频d6、五层高频d5、四层高频d4分别近似于δ波、θ波、α波、β波的频率,因此采用小波分解的信号来代表δ波、θ波、α波、β波;

S33、对原始数据进行小波分解获得不同频带的δ(x)、θ(x)、α(x)、β(x)子带信号,其子带能量为:计算每个信号的能量比:Eall=E(δ)+E(θ)+E(α)+E(β),En(δ)=E(δ)/Eall,En(θ)=E(θ)/Eall,En(α)=E(α)/Eall,En(β)=E(β)/Eall,从而能够定量分析出矿工在疲劳状态、清醒状态和集中状态下的EEG的子信号所占比值;

S34、计算ApEn近似熵、KC复杂度和C0复杂度,比较疲劳状态、清醒状态、集中状态下脑电波信号这三个特征值的变化情况,并将若干组疲劳特征值、若干组清醒特征值、若干组集中特征值分别列表,保存起来,后续作为神经网络的输入数据;

S4、人工鱼群算法优化BP神经网络对疲劳特征进行识别,过程如下:

S41、将S3中得到的四个子带能量、ApEn近似熵、KC复杂度和C0复杂度作为神经网络的输入层数据,分别用(1,0,0)、(0,1,0)、(0,0,1)代表疲劳、清醒、集中状态作为神经网络的输出层;

S42、设BP神经网络中输入层有M个神经元,隐含层有J个神经元,输出层有K个神经元,输入层到隐含层之间的权值表示为wij,隐含层神经元的阀值表示为bj,隐含层到输出层之间的权值表示为vjk,输出层神经元的阀值表示为ak。BP神经网络中要调整的参数是权值wij、vjk和阀值bj、ak,将这些要调整的参数设为人工鱼状态,则人工鱼x可以表示为一个M*J+J+J*K+K维向量:

x=(w11,…,wM1,b1,…,wiJ,…,wMJ,bJ,v11,…,vJ1,a1…,v1k,…,vJK,aK),其中w11,…,wM1表示输入层神经元到第一个隐含层神经元的权值,b1表示隐含层第一个神经元的阀值,wiJ,…wMJ表示输入层神经元到第J个隐含层神经元的权值,bJ表示隐含层第J个神经元的阀值,v11,…,vJ1表示隐含层神经元到第一个输出层神经元的权值,a1表示输出层第一个神经元的阀值,v1k,…,vJK表示隐含层神经元到第K个输出层神经元的权值,aK表示输出层第K个神经元的阀值,人工鱼的食物浓度FC设置为BP神经网络总误差E的倒数,即FC=1/E,这样人工鱼所要寻找的食物浓度最大的点就是BP神经网络误差最小的点,任意两条人工鱼x1、x2之间的欧几里得距离d表示为:式中x1、x2中的元素严责按照维度一一对应着相减,人工鱼x在执行觅食行为、聚群行为和追尾行为后就会改变自身的状态,同时对BP神经网络进行初始权值和阀值的一次调整;

S43、主控制器根据BP神经网络误差函数的特点以及前人的设计经验,结合实验,选取中间隐含层的神经元为20,样本输入为17维的数据,网络输出为1维,即神经网络的结构设置为17-20-1;

S44、人工鱼优化算法中选择人工鱼数目为10,可视域为0.5,拥挤因子为0.618,步长选择为0.1,迭代次数为50,重复探索次数为50;BP神经网络激活函数1选择tansig函数,激活函数2选择logsig函数,训练函数采用traindx函数,最大训练次数设置为20000次,学习率为0.05,误差要求精度为10-4,动量因子0.9;

S45、对二元函数(-10≦x,y≦10)进行拟合来测试人工鱼群优化BP网络的性能:取步长为0.1,一共40000个数据,其中35000个做训练样本,5000做测试样本,对数据进行100次训练;

S46、从脑电数据库中选取2100组数据,600组集中状态数据,600组清醒状态,600组疲劳状态,这1800组用于网络训练,其余300组用于网络测试,分组采用交叉的方式进行。利用上述步骤训练测试的神经网络对脑电波信号的状态进行识别,实现对井下人员疲劳度的监测;

S5、主控制器处理各种传感器的浓度数据判断气体的超限状态,融合出当前的安全状态和危险等级,同时通过井下现有的通信节点发送到监控主机显示的界面,以及通过蓝牙模块与主控制器连接的佩戴在矿工手腕上的智能手环对不同危险等级的安全状态进行声、光、震动三种方式的三重报警。

与现有技术相比,本发明的有益效果:

1、本发明利用最大小波熵自适应地选择强背景噪声下脑电信号去噪阈值,获得一种基于小波熵的弱信号检测方法,并实现δ波、θ波、α波、β波的子带信号能量信息中疲劳特征的提取。

2、本发明利用人工鱼群算法全局寻优的功能优化BP神经网络初始权值,获得了人工鱼群-BP神经网络分类器模型。仿真对比发现,人工鱼群-BP神经网络模型比BP神经网络模型的识别正确率提高了2.3%。

3、本发明搭建了基于脑机接口的矿用智能头盔系统,完成了基于环境参数、精神状态的安全态势评估算法设计;并将智能可穿戴手环引入煤矿井下,实现声光振动三重报警和信息实时显示,大大提高了安全预警水平,能有效的减少事故的发生,对矿井安全生产意义重大。

附图说明

图1为本发明的流程图。

图2为本发明采用小波熵提取出的纯净脑电波信号图:(a)为湮没在强噪声背景中的脑波信号图,(b)为脑波信号小波熵除燥结果图。

图3为本发明的不同状态下子波所占能量图表:(a)疲劳状态,(b)清醒状态,(c)集中状态。

图4为本发明的脑电波信号不同状态下的ApEn、KC和C0值;(a)不同状态下近似熵ApEn,(b)不同状态下KC值,(c)不同状态下C0。

图5为本发明的人工鱼群优化BP神经网络结构图。

图6为本发明的人工鱼群算法优化BP神经网络流程图。

图7为本发明的二元函数的三维图。

图8为本发明的人工鱼群BP神经网络算法与真实值和常规BP神经网络算法测试结果对比图。

图9为本发明的BP神经网络和AF-BP神经网络的训练结果对比图:(a)为BP神经网络训练误差,(b)为BP神经网络训练状态,(c)为AF-BP神经网络训练误差,(d)为AF-BP神经网络训练状态。

图10为本发明实施例的智能手环瓦斯爆炸灾害风险预警等级。

图11为本发明实施例的智能手环数据流整体数据处理设计流程。

图12为本发明实施例的瓦斯甲烷危险标志位流程图。

图13为本发明的智能手环危险等级标志位冒泡排序。

图14为本发明的智能手环危险等级标志位排序流程图。

图15为本发明的智能手环危险预警操作流程图。

图16为本发明的智能手环危险报警操作流程图。

图17为本发明的整体智能矿用头盔的电路结构框图。

具体实施方式

下面结合具体实施例对本发明作进一步描述,在此发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。

如图1所示的本发明一种基于人体信息和环境信息融合的智能矿用头盔控制方法,包括以下步骤:

S1、原始脑电波信号的获取:通过安装在矿用头盔上的脑电信号获取装置获取矿工的原始脑电波信号并对其进行预处理,得到原始脑电波信号后发送安装在矿用本体后侧的脑电信号处理器,脑电信号处理器通过安装在矿用头盔内的可充电电源进行供电;同时,采用红外复合五合一气体传感器、DHT11温湿度传感器对二氧化碳、甲烷、一氧化碳、甲醛、挥发性有机物浓度进行测量,将气体参数传输给主控制器;

如图17所示,所述脑电信号获取装置包括安装在矿用头盔本体的内表面上获取大脑右侧前额叶部位精神状态的第一脑电电极、采集的耳垂处的电位且屏蔽参考信号的第二脑电电极和屏蔽大脑以下伪迹信号的第三脑电电极,以及安装在矿用头盔本体后侧用于对第一脑电电极、第二脑电电极和第三脑电电极采集的信号进行预处理的脑电信号处理器,脑电信号处理器的信号输出端与主控制器的信号输入端相接;

S2、原始脑电波信号去噪,过程如下:

由于小波熵理论是基于小波分析方法建立起类似信息熵的理论,能够对时频域上能量分布特性进行定量描述。把小波变换的系数矩阵处理成一个概率分布序列,由它计算得到的熵值就反映了这个系数矩阵的稀疏程度。小波熵理论是利用小波变换矩阵的稀疏程度来抑制无关成分。

根据小波变换的框架理论,当小波基函数是一组正交基时,小波变换具有能量守恒的性质,即:

定义单一尺度下的小波能量为该尺度下小波系数的平方和。

由正交小波变换的特性可知,在某一时间窗内,信号总功率等于各个分量功率之和。

把每一个分解尺度的高频信息量都看成是一个单独的信号源,将每一层高频小波系数分成n个相等的小区间,计算各个小区间的小波熵,选取熵值最大的那个小区间的中值作为噪声的方差,实现基于小波熵的阈值自适应选取。

设第j层的高频小波系数为dj(k),采样点为N,将这些采样点上的小波系数分成n等分,则第k个子区间的小波系数对应的能量为:

第j层高频小波系数的总能量表示为:

设第k个子区间包含的信号能量在该尺度上总能量中存在的概率为:

则定义第k个子区间对应的信号小波熵为:

S21、选择与原始信号最相近的小波基函数,确定小波变换的分解尺度,利用Mallat塔式方法对信号进行小波变换,进而得到不同分解尺度的高频系数分量和低频系数分量;

S22、计算第j尺度上的小波阈值,比较n个子带信号的小波熵,选取小波熵值最大的子带的小波系数,认为该子带的小波系数是由噪声引起的,计算该子带小波系数的中值,作为第j尺度的噪声方差,从而可以计算得到第j尺度的小波阈值;

S23、由于不同尺度上的噪声小波系数值不同,随着分解尺度的增加,噪声的小波系数越来越小,所以按S22分别计算不同尺度的小波阈值,并对每一尺度的高频系数分量进行阈值化处理,得到近似高频小波系数;

S24、利用最高一层小波分解的低频系数分量和经过阈值处理的不同尺度的近似高频小波系数分量,组成进行信号重构所需要的系数分量,按多分辨率分析的重构式进行重构,得到纯净脑电波信号;采用小波熵提取出的纯净脑电波信号,如图2所示。

S3、脑波特征提取,过程如下:

S31、选取小波基对脑电波信号进行小波分解:脑电信号处理器利用sym5小波基函数对脑电信号获取模块采集的脑电波信号进行小波分解重构,信号分解表达式为:

式中细节系数为:式中逼近系数为:式中尺度函数为:式中小波函数为:则最终信号重构表达式为:

S32、采用sym5小波函数对脑波信号进行六层分解,分别得到信号六层低频a6、六层高频d6、五层高频d5、四层高频d4;经过FFT的频率检测发现六层低频a6、六层高频d6、五层高频d5、四层高频d4分别近似于δ波、θ波、α波、β波的频率,因此采用小波分解的信号来代表δ波、θ波、α波、β波;

S33、对原始数据进行小波分解获得不同频带的δ(x)、θ(x)、α(x)、β(x)子带信号,其子带能量为:计算每个信号的能量比:Eall=E(δ)+E(θ)+E(α)+E(β),En(δ)=E(δ)/Eall,En(θ)=E(θ)/Eall,En(α)=E(α)/Eall,En(β)=E(β)/Eall,从而能够定量分析出矿工在疲劳状态、清醒状态和集中状态下的EEG的子信号所占比值;不同状态下的子带能量如表1所示。

表1不同状态下各子带的能量

将表1中的能量值进行归一化处理结果如图3所示。从图3中可以看出三种状态下δ波占主要成分。在疲劳状态下,脑电波信号的子带能量主要集中于δ波;清醒状态下δ波的能量下降,其他波能量上升;集中状态下,α波能量比较突出。从频率的角度看,随着精神状态的提高,低频信号能量降低,高频信号能量增大。利用小波分解能够定量分析出不同状态下的脑电波的子信号所占比值,其提取的特征明显且易区分。

S34、计算ApEn近似熵、KC复杂度和C0复杂度,如图4所示。比较疲劳状态、清醒状态、集中状态下脑电波信号这三个特征值的变化情况,并将若干组疲劳特征值、若干组清醒特征值、若干组集中特征值分别列表,保存起来,后续作为神经网络的输入数据;其中ApEn近似熵、KC复杂度和C0复杂度的计算方法具体为:

(1)ApEn近似熵

近似熵计算过程中需要人为设置两个参数,一个是为了体现信号序列在不同维数下复杂性变化特性的模式维数m,另外一个是相似容限r,在编程过程中根据情况调整,但是一旦取得理想的r值,这两个参数在接下来的程序中保持固定不变。近似熵算法步骤如下:

1)设原始数据集合为{s(1),s(2),…,s(N)}总共N个数据点。

2)将序列{s(i)}按顺序依次排列组成m维矢量S(i),S(i)从S(1)到S(N-m+1),其中:

S(i)=[s(i),s(i+1),…,s(i+m-1)],i=1~N-m+1

对上述定义的每一个i值计算矢量S(i)与其余矢量S(j)之间的距离:

3)设定相似容限r,对每个i≤N-m+1的值,统计d[S(i),S(j)]小于r的数目及此数目与距离总数N-m+1的比值,记作即:

4)将取对数,再求其对所有i的平均值,记作φm(r)即:

5)将维数m加1,重复上述(1)到(4)步计算得到和Φm+1(r),则近似熵可定义为:

ApEn(m,r)=Φm(r)-Φm+1(r)

在本发明实验中,设定m=2,r=0.1*Std,其中Std是原始数据s(i)的标准差。

对脑电波信号进行分析前首先对原始脑波进行除噪声处理,脑电波信号的采样频率为512Hz,即每秒采集512个数据,分别在三种状态下提取脑电波信号,采集30s的时间总共512*30=15360个数据,根据上述算法计算每秒的近似熵如图4(a)所示,从上述曲线图看出三种状态之间有着明显的差异,在疲劳状态下的近似熵主要集中在0~0.2之间,近似熵很小,表明大脑思维的无序程度减小,复杂性降低。在清醒与集中状态下的近似熵则较高一般高于0.55以上,表明大脑思维很活跃,脑波波动范围大,复杂性高,通过近似熵的计算较好的反应出了脑电波信号的复杂度特征体现出了脑电信号的内在非线性特征,在人身体的状态的识别精度、准确度有所提高成为衡量疲劳状态的指标。

(2)KC复杂度

在Kasper设计的算法中,首先将时间信号序列进行粗粒化处理,即每一个原始序列点都用一个比特位来代替,那么整个信号序列实际上就变成了一个(0,1)序列,具体的粗粒化规则为:计算一段时间序列的平均值,如果序列中的值大于此平均值则置为1,否则用0来表示。通过此方法的处理就可以得到一段新的时间序列。

通过算法设计,就可以分析上述粗粒化序列的所包含的不同模式数,具体算法过程如下所示:

1)在一段粗粒化的(0,1)序列A(A通常从第一个字符开始即A取s1)后面增加一个字符B;

2)判断B是否属于字符串ABC(ABC是AB减去最后一个字符的结果),如果B在前面已经出现过则称B是ABC的一个子串,并没有出现新的模式,此过程称为复制过程;

3)把上述B加到整个字符串的后边,继续增加B的长度,在进行判断,如果此时B是没有出现在字符串ABC中,那么可以认为是出现了一个新的模式,此时进行插入操作,利用一个特殊符号如“*”进行插入并将B附加在符号后面,此时两段字符串被分成前后两段;

4)重新构造B,此时B又从一个字符开始,重复上述算法步骤直到遍历了所有字符串为止,则字符串中出现的“*”反应了序列的模式总和。

则复杂度c(n)就可以用上所“*”将所有字符串分成的段数来表示。实验证明大多数(0,1)序列的复杂度c(n)都趋向定值:

利用上述b(n)将c(n)归一化,即可定义复杂度公式如下:

Ckc(n)=c(n)/b(n),计算结果如图4(b)所示,从图中看出处于疲劳状态的KC值大致处于0.2~0.3之间,清醒状态的KC值处于0.3~0.5之间,集中状态05~0.7之间。大脑在工作时,神经细胞活动相对处于比较有序的状态,随着精神疲劳程度的增加,神经对细胞活动的控制能力减弱,神经细胞活动兴奋程度增加,神经细胞活动的无序化渐趋加剧,其KC值将会增加,表明利用KC值对人身体的疲劳状态进行分级具有一定的可行性。

(3)C0复杂度

C0复杂度定义的是序列中非规则成分所占比例,其算法主要思想是将序列分解成规则成分和不规则成分,对给定长度为N的时间序列{x(n),n=0,1,2,…,N-1}进行离散FFT变换。

式中,K=0,1,2,…,N-1,设{x(n),n=0,1,2,…,N-1}的均方值为:

引入参数r,保留超过均方值r倍的频谱,而将其余部分置为零:

对上式进行傅里叶逆变换有:

式中n=0,1,2,…,N-1,定义C0复杂度为:

随着参数r的增加,C0测度值逐渐增大,这表明,随着r的增大,去掉的规则部分越少,测度值将相应的增加,当r大于2后,测度值稳定,所以建议r取值范围为5~10。鉴于C0算法计算速度快,建议序列长度N大于2000;计算结果如图4(c)所示。使用C0值提取脑电波特征值对脑电序列的复杂度进行计算,将序列中的规则信号和不规则信号解析出来,大脑越活跃脑电波中所含有的不规则信号就越多,根据计算不规则信号的含量来获得C0值,大脑越活跃则C0值越大。

S4、人工鱼群算法优化BP神经网络对疲劳特征进行识别,过程如下:

S41、将S3中得到的四个子带能量、ApEn近似熵、KC复杂度和C0复杂度作为神经网络的输入层数据,分别用(1,0,0)、(0,1,0)、(0,0,1)代表疲劳、清醒、集中状态作为神经网络的输出层;

S42、大多数的神经网络训练通常很慢,因为网络的权重是基于误差信息更新的,初始值的选择对网络训练至关重要,一个好的初值能够减少训练时间更快得到神经网络模型的参数。这里我们选择基于人工鱼群算法优化的BP神经网络来训练,其与传统BP算法区别在于不随机选取网络初始值或者将初值赋0值,而是使用人工鱼群的算法先找出比较优越的初值。BP神经网络预测用人工鱼群算法得到最优网络初始权值和阈值,网络经训练后预测函数输出,具体流程图如图6所示。

构建人工鱼群算法优化的BP神经网络结构图如图5所示,设BP神经网络中输入层有M个神经元,隐含层有J个神经元,输出层有K个神经元,输入层到隐含层之间的权值表示为wij,隐含层神经元的阀值表示为bj,隐含层到输出层之间的权值表示为vjk,输出层神经元的阀值表示为ak。BP神经网络中要调整的参数是权值wij、vjk和阀值bj、ak,将这些要调整的参数设为人工鱼状态,则人工鱼x可以表示为一个M*J+J+J*K+K维向量:

x=(w11,…,wM1,b1,…,wiJ,…,wMJ,bJ,v11,…,vJ1,a1…,v1k,…,vJK,aK),其中w11,…,wM1表示输入层神经元到第一个隐含层神经元的权值,b1表示隐含层第一个神经元的阀值,wiJ,…wMJ表示输入层神经元到第J个隐含层神经元的权值,bJ表示隐含层第J个神经元的阀值,v11,…,vJ1表示隐含层神经元到第一个输出层神经元的权值,a1表示输出层第一个神经元的阀值,v1k,…,vJK表示隐含层神经元到第K个输出层神经元的权值,aK表示输出层第K个神经元的阀值,人工鱼的食物浓度FC设置为BP神经网络总误差E的倒数,即FC=1/E,这样人工鱼所要寻找的食物浓度最大的点就是BP神经网络误差最小的点,任意两条人工鱼x1、x2之间的欧几里得距离d表示为:

式中x1、x2中的元素严责按照维度一一对应着相减,人工鱼x在执行觅食行为、聚群行为和追尾行为后就会改变自身的状态,同时对BP神经网络进行初始权值和阀值的一次调整;

S43、神经网络的输入层节点数由学习样本的指标个数确定,输出层网络节点由样本结果的个数决定,对于这两个层次的节点数,根据具体问题确定。根据BP神经网络误差函数的特点以及前人的设计经验,结合实验,选取中间隐含层的神经元为20,样本输入为17维的数据,网络输出为1维,即神经网络的结构设置为17-20-1;对人工鱼优化算法和BP神经网络的参数选取如表2和表3所示。

表2人工鱼优化算法参数选取

表3BP神经网络参数选取

S44、人工鱼优化算法中选择人工鱼数目为10,可视域为0.5,拥挤因子为0.618,步长选择为0.1,迭代次数为50,重复探索次数为50;BP神经网络激活函数1选择tansig函数,激活函数2选择logsig函数,训练函数采用traindx函数,最大训练次数设置为20000次,学习率为0.05,误差要求精度为10-4,动量因子0.9;

S45、对二元函数(-10≦x,y≦10)进行拟合来测试人工鱼群优化BP网络的性能,如图7所示为二元函数的三维图,取步长为0.1,一共40000个数据,其中35000个做训练样本,5000做测试样本,对数据进行100次训练,测试结果如图8所示;从试验结果来看,无论是训练的迭代数还是实际测试误差,人工鱼群-BP算法都要明显优于BP神经网络算法。

S46、脑电信号的状态识别,从脑电数据库中选取2100组数据,600组集中状态数据,600组清醒状态,600组疲劳状态用于网络训练,其余300组用于网络测试,分组采用交叉的方式进行,分别使用BP神经网络和人工鱼群-BP(AF-BP)神经网络进行训练,训练结果如图9所示,训练对比结果如下表4所示。

表4网络训练结果

将测试样本分成5组,每组60待测信号,分别使用BP和改进的AF-BP网络进行验证。其测试结果如下表5和表6所示。

表5BP神经网络测试结果

表6人工鱼群-BP神经网络测试结果

从以上分析结果得出:BP神经网络的平均正确率为84%,人工鱼群-BP神经网络模型平均正确率为86.3%,采用人工鱼群-BP神经网络模型对脑电波信号的识别要优于传统的BP神经网络,准确率提高了2.3%。

S47、利用上述步骤训练测试的神经网络对脑电波信号的状态进行识别,利用支持向量机模型进行辅助识别,实现对井下人员疲劳度的监测;

S5、主控制器处理各种传感器的浓度数据判断气体的超限状态,融合出当前的安全状态和危险等级,同时通过井下现有的通信节点发送到监控主机显示的界面,以及通过佩戴在矿工手腕上的智能手环对不同危险等级的安全状态进行声、光、震动三种方式的三重报警。具体地:

将煤矿安全态势分为安全、一般安全、较不安全和不安全等4个态势等级。同样地,瓦斯爆炸灾害预警等级也被划分成4个等级区间,它们分别是:安全、一般安全、较不安全和不安全,分别对应于四级预警(绿色)、三级预警(白色)、二级预警(黄色)和一级预警(红色),如图10所示。

煤矿灾害态势评估与预警的结果是对煤矿井下系统风险状态的总体描述,风险分级是在风险接受准则基础上对安全生产系统风险水平进行分级描述。风险级别的评语集有多种表示方式,本发明根据煤矿安全生产系统的特点及常用的风险分级标准,定义了煤矿灾害态势评估风险等级的评语集K={“安全”;“较安全”;“较不安全”;“不安全”},相应的等级向量{4,3,2,1},参见表7。

表7矿井安全情况划分表

可穿戴的智能手环采用声、光、振动报警,其中报警模块的声音采用蜂鸣器,一个I/O口控制;光报警采用绿灯、白灯、黄灯、红灯来表示,四个I/O口控制;振动报警采用振动马达来实现,一个I/O口控制,并通过蓝牙模块接收处理器的数据。

本手环系统把报警模块整体置于控制板的左边,通过蓝牙模块与处理器进行通信,手环盒右侧为微型移动充电宝。手环盒是自主设计3D打印制造,蜂鸣器和振动马达固封在手环盒内部,显示屏裸露在手环盒正面,为了确保通信的稳定性,将蓝牙固定在手环盒外部,同时手环盒外部安装手表链便于人员穿戴。

下表8是各种等级的安全态势对应的等级报警状态,安全态势的四种状态分别对应安全、较安全、较不安全、不安全环境等传感器信息四种等级向量的危险标志位。系统通过判断危险标志位的状态,采取不同的报警操作。

表8安全状态与报警

当安全态势处于安全状态时,等级向量为4,对应精神状态为集中,此时灯光报警为绿灯亮,蜂鸣器不报警,振动马达不报警;当安全态势处于较安全状态,等级向量为3,对应精神状态清醒,此时灯光报警为白灯亮,蜂鸣器不报警,振动马达不报警;当安全态势处于较不安全状态,等级向量为2,此时灯光报警为红灯亮闪,蜂鸣器间歇长鸣,振动马达间歇长振;当安全态势处于不安全状态,等级向量为1,对应精神状态为疲劳,此时灯光报警为黄灯亮闪,蜂鸣器急促鸣叫,振动马达急促短振。

由于可穿戴智能手环采集显示与环境采集参数密切相关,所以本发明对智能手环数据流进行整体设计。手环数据流整体数据处理设计流程如图11所示。

环境参数有温度、湿度、甲烷、二氧化碳、一氧化碳等。这些环境参数都定义了危险等级标志位,和精神状态一起,归一化为四个危险等级:安全、较安全、较不安全、不安全,定义它们的危险标志位为4、3、2、1。以甲烷为例,叙述甲烷的危险标志位采集流程,具体流程图如图12所示。

其中,CCH4是甲烷浓度,DCH4Flag是甲烷危险标志位。传感器采集瓦斯浓度。若小于0.4%则DCH4Flag等于4,否则继续判断;若小于0.5%则DCH4Flag等于3,否则继续判断;若小于0.9%则DCH4Flag等于2,否则DCH4Flag等于1;然后输出甲烷危险标志位DCH4Flag。

在控制板采集出各环境参数数据及环境参数的危险标志位后,通过蓝牙把数据打包送给智能手环。智能手环对于危险等级进行冒泡排序,判断最高的危险标志位,按照最高危险级的顺序报警,即一级报警>二级报警>三级预警>四级预警。危险标志位比较方式如图13所示。

具体排序的流程图如图14所示。

第一步:将一秒传输过来的危险标志位信息进行输入,定义i=0,j=0,临时中间变量temp=0。

第二步:判断是否i<元素总个数-1,是则进入第三部,否则将最终结果存入最高危险标志位并结束。

第三步:继续判断是否j<元素总个数-1,是则进入第四步,否则i自加1并返回第二步。

第四步:判断第j个元素是否大于第j+1个元素,是则把第j+1个元素值赋给temp,第j个元素的值赋给第j+1个元素,temp的值赋给第j个元素,然后j自加1后返回第三步。否则j自加1后返回第三步。

由此可以判断出最高危险标志位D。

在手环上判断出最高标志位D后,开始进行报警操作。当D=4和D=3时,手环显示及预警算法如图15所示。

第一步:首先初始化,得出最高危险标志位,接下来判断最高危险标志位D,若D≥或D≤4为假,则继续判断D≥1或D≤2,进行危险报警操作并结束,为真则进入下一步。

第二步:判断D是否等于4,为假则进入下一步,为真则绿灯亮,白黄红灯灭,显示4级报警和环境参数page1,延时显示500ms,显示报警等级及精神参数page2,然后进入下一步。

第三步:D=3,此时白灯亮,绿黄红灯灭,显示3级报警及环境参数page1,延时500ms,显示报警等级及精神参数page2,延时500ms,结束。

当D=2和D=1时,手环显示及报警算法如图16所示。

第一步:首先进入初始化,接收最高危险标志位,判断最高危险标志位D,若D≥3或D≤4为真,系统属于安全工作状态,进入安全预警操作,为假则继续判断D≥1或D≤2,并进行危险报警操作。

第二步:进入危险报警操作,进一步判断最高危险标志位,若D=2为假,则直接进入下一步,为真则进入二级报警操作。手环界面上显示2级报警,绿白红灯灭,黄灯以一定的频率慢闪,振动马达长振,蜂鸣器长鸣,然后进一步判断是哪个参数危险报警。以瓦斯报警为例,若瓦斯危险标志位DCH4Flag=2为真,则手环接着显示瓦斯报警page,延时显示500ms,显示完成之后或条件为假则再进一步判断;若一氧化碳危险标志位DCOFlag=2为真,则刷新显示一氧化碳报警page,手环延时显示500ms,显示完之后或条件为假则再进一步判断;若疲劳危险标志位Dco2Flag=2为真,则刷新显示疲劳报警page,延时显示500ms,显示完之后或条件为假则再进一步判断;若温度危险标志位DtempFlag=2为真,则刷新显示温度报警page,延时显示500ms,显示完之后或条件为假则再进一步判断;若二氧化碳危险标志位DCO2Flag=2为真,则刷新显示二氧化碳报警page,延时显示500ms,显示完之后或条件为假则再进一步判断。由于界面有限,故只在流程图上显示甲烷、一氧化碳和疲劳,其他的判断同理,判断完成后结束。

第三步:D=1,则显示1级报警,此时绿白黄灯灭,红灯快闪,振动马达短振,蜂鸣器短鸣,然后进一步判断是哪个参数报警。由于危险标志位为2或1都会发出警报,所以这里不止判断标志位是否为1,还有为2的情况,以瓦斯为例。若瓦斯危险标志位DCH4Flag≤2为真,则显示瓦斯报警page,延时显示500ms,显示完之后或条件为假则进一步判断;若一氧化碳危险标志位DCOFlag≤2为真,则显示一氧化碳报警page,延时显示500ms,显示完之后或条件为假则进一步判断;若疲劳危险标志位Dco2Flag≤2为真,则显示疲劳报警page,延时显示500ms,显示完之后或条件为假则进一步判断;依次再判断温度危险标志位DtempFlag等。同样只在图上显示甲烷、一氧化碳和疲劳的判断流程,其他的危险标志位判断流程其相同,完成后结束。

本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。

基于人体信息和环境信息融合的智能矿用头盔控制方法.pdf_第1页
第1页 / 共30页
基于人体信息和环境信息融合的智能矿用头盔控制方法.pdf_第2页
第2页 / 共30页
基于人体信息和环境信息融合的智能矿用头盔控制方法.pdf_第3页
第3页 / 共30页
点击查看更多>>
资源描述

《基于人体信息和环境信息融合的智能矿用头盔控制方法.pdf》由会员分享,可在线阅读,更多相关《基于人体信息和环境信息融合的智能矿用头盔控制方法.pdf(30页珍藏版)》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201810715885.1 (22)申请日 2018.07.03 (71)申请人 西安科技大学 地址 710054 陕西省西安市雁塔中路58号 (72)发明人 汪梅 牛钦 翟珂 王刚 张佳楠 张思明 张松志 (74)专利代理机构 北京世誉鑫诚专利代理事务 所(普通合伙) 11368 代理人 魏秀枝 (51)Int.Cl. A61B 5/0476(2006.01) A61B 5/048(2006.01) A61B 5/18(2006.01) (54)发明名称 基于人体信息和环境信。

2、息融合的智能矿用 头盔控制方法 (57)摘要 本发明公开了一种基于人体信息和环境信 息融合的智能矿用头盔控制方法, 包括原始脑电 波信号的获取; 原始脑电波的预处理; 原始脑电 波信号的小波分解重构; 脑波信号特征提取; 人 工鱼群算法优化BP神经网络对疲劳特征进行识 别; 识别矿工疲劳度、 监控矿工所处环境信息、 对 危险情况进行报警操作。 本发明提取对原始脑电 波信号预处理(滤波、 去噪)后获得的高精度脑电 波信号中四个子带能量、 ApEn近似熵、 KC复杂度 和C0复杂度作为人工鱼群算法优化BP神经网络 的输入层, 训练人工鱼群算法优化BP神经网络识 别矿工疲劳, 识别准确率高, 并通过。

3、佩戴在矿工 手腕上的智能可穿戴手环对不同危险等级的安 全状态进行声、 光、 震动三种方式的三重报警, 从 而提高井下操作安全系数。 权利要求书3页 说明书14页 附图12页 CN 108903936 A 2018.11.30 CN 108903936 A 1.基于人体信息和环境信息融合的智能矿用头盔控制方法, 其特征在于, 包括以下步 骤: S1、 原始脑电波信号的获取: 通过安装在矿用头盔上的脑电信号获取装置采集矿工的 原始脑电波信号并对其进行预处理, 得到处理后的脑电波信号后发送到安装在矿用头盔本 体后侧的脑电信号处理器; 同时, 采用红外复合五合一气体传感器、 DHT11温湿度传感器对 。

4、二氧化碳、 甲烷、 一氧化碳、 甲醛、 挥发性有机物浓度进行测量, 将气体参数传输给主控制 器; 所述脑电信号获取装置包括安装在矿用头盔本体的内表面上获取大脑右侧前额叶部 位精神状态的第一脑电电极、 采集的耳垂处的电位且屏蔽参考信号的第二脑电电极和屏蔽 大脑以下伪迹信号的第三脑电电极, 以及安装在矿用头盔本体后侧用于对第一脑电电极、 第二脑电电极和第三脑电电极采集的信号进行预处理的脑电信号处理器, 脑电信号处理器 的信号输出端与主控制器的信号输入端相接; S2、 原始脑电波信号去噪, 过程如下: S21、 在脑电信号处理器中, 选择与原始信号最相近的小波基函数, 确定小波变换的分 解尺度, 利。

5、用Mallat塔式方法对信号进行小波变换, 进而得到不同分解尺度的高频系数分 量和低频系数分量; S22、 计算第j尺度上的小波阈值, 比较n个子带信号的小波熵, 选取小波熵值最大的子 带的小波系数, 认为该子带的小波系数是由噪声引起的, 计算该子带小波系数的中值, 作为 第j尺度的噪声方差, 从而可以计算得到第j尺度的小波阈值; S23、 由于不同尺度上的噪声小波系数值不同, 随着分解尺度的增加, 噪声的小波系数 越来越小, 所以按S22分别计算不同尺度的小波阈值, 并对每一尺度的高频系数分量进行阈 值化处理, 得到近似高频小波系数; S24、 利用最高一层小波分解的低频系数分量和经过阈值处。

6、理的不同尺度的近似高频 小波系数分量, 组成进行信号重构所需要的系数分量, 按多分辨率分析的重构式进行重构, 得到纯净脑电波信号; S3、 脑波特征提取, 过程如下: S31、 选取小波基对脑电波信号进行小波分解: 脑电信号处理器利用sym5小波基函数对 脑电信号获取模块采集的脑电波信号进行小波分解和重构, 信号分解表达式为: 式中细节系数为:式中逼近系数为: 式中尺度函数为:式中小波函数为: 则最终信号重构表达式为: S32、 采用sym5小波函数对脑波信号进行六层分解, 分别得到信号六层低频a6、 六层高 频d6、 五层高频d5、 四层高频d4; 经过FFT的频率检测发现六层低频a6、 六。

7、层高频d6、 五层高 频d5、 四层高频d4分别近似于 波、 波、 波、 波的频率, 因此采用小波分解的信号来代表 波、 波、 波、 波; 额叶区脑电波f(n)经过快速傅里叶变换得到F(k)。 权 利 要 求 书 1/3 页 2 CN 108903936 A 2 式中, f(n)为脑波采集模块采集的额叶区脑波离散信号, n为采样点的序号, N是采样点 的总数, k是整数。 S33、 对原始数据进行小波分解获得不同频带的 (x)、 (x)、 (x)、 (x)子带信号, 其子 带能量为: 计算每个信号的能量比: EallE( )+E( )+E( )+E( ), En( )E( )/Eall, En。

8、( )E( )/ Eall, En( )E( )/Eall, En( )E( )/Eall, 从而能够定量分析出矿工在疲劳状态、 清醒状态 和集中状态下的EEG的子信号所占比值; S34、 计算ApEn近似熵、 KC复杂度和C0复杂度, 比较疲劳状态、 清醒状态、 集中状态下脑电 波信号这三个特征值的变化情况, 并将若干组疲劳特征值、 若干组清醒特征值、 若干组集中 特征值分别列表, 保存起来, 后续作为神经网络的输入数据; S4、 人工鱼群算法优化BP神经网络对疲劳特征进行识别, 过程如下: S41、 将S3中得到的四个子带能量、 ApEn近似熵、 KC复杂度和C0复杂度作为神经网络的输 入。

9、层数据, 分别用(1, 0, 0)、 (0, 1, 0)、 (0, 0, 1)代表疲劳、 清醒、 集中状态作为神经网络的输 出层; S42、 设BP神经网络中输入层有M个神经元, 隐含层有J个神经元, 输出层有K个神经元, 输入层到隐含层之间的权值表示为wij, 隐含层神经元的阀值表示为bj, 隐含层到输出层之 间的权值表示为vjk, 输出层神经元的阀值表示为ak。 BP神经网络中要调整的参数是权值wij、 vjk和阀值bj、 ak, 将这些要调整的参数设为人工鱼状态, 则人工鱼x可以表示为一个M*J+J+ J*K+K维向量: x(w11,wM1,b1,wiJ,wMJ,bJ,v11,vJ1,a。

10、1,v1k,vJK,aK), 其中w11,wM1 表示输入层神经元到第一个隐含层神经元的权值, b1表示隐含层第一个神经元的阀值, wiJ,wMJ表示输入层神经元到第J个隐含层神经元的权值, bJ表示隐含层第J个神经元的阀 值, v11,vJ1表示隐含层神经元到第一个输出层神经元的权值, a1表示输出层第一个神经 元的阀值, v1k,vJK表示隐含层神经元到第K个输出层神经元的权值, aK表示输出层第K个 神经元的阀值, 人工鱼的食物浓度FC设置为BP神经网络总误差E的倒数, 即FC1/E, 这样人工 鱼所要寻找的食物浓度最大的点就是BP神经网络误差最小的点, 任意两条人工鱼x1、 x2之间 。

11、的欧几里得距离d表示为: 式中x1、 x2中的元素严责按照维度一一对应着相减, 人工鱼x在执行觅食行为、 聚群行为和追 尾行为后就会改变自身的状态, 同时对BP神经网络进行初始权值和阀值的一次调整; S43、 根据BP神经网络误差函数的特点以及前人的设计经验, 结合实验, 选取中间隐含 层的神经元为20, 样本输入为17维的数据, 网络输出为1维, 即神经网络的结构设置为17- 20-1; S44、 人工鱼优化算法中选择人工鱼数目为10, 可视域为0.5, 拥挤因子为0.618, 步长选 择为0.1, 迭代次数为50, 重复探索次数为50; BP神经网络激活函数1选择tansig函数, 激活 。

12、权 利 要 求 书 2/3 页 3 CN 108903936 A 3 函数2选择logsig函数, 训练函数采用traindx函数, 最大训练次数设置为20000次, 学习率 为0.05, 误差要求精度为10-4, 动量因子0.9; S45、 对二元函数进行拟合来测试人工鱼群优化BP网 络的性能: 取步长为0.1, 一共40000个数据, 其中35000个做训练样本, 5000做测试样本, 对 数据进行100次训练; S46、 从脑电数据库中选取2100组数据, 600组集中状态数据, 600组清醒状态, 600组疲 劳状态, 这1800组用于网络训练, 其余300组用于网络测试, 分组采用交。

13、叉的方式进行。 利用 上述步骤训练测试的神经网络对脑电波信号的状态进行识别, 实现对井下人员疲劳度的监 测; S5、 主控制器处理各种传感器的浓度数据判断气体的超限状态, 融合出当前的安全状 态和危险等级, 同时通过井下现有的通信节点发送到监控主机显示的界面, 以及通过蓝牙 模块与主控制器连接的佩戴在矿工手腕上的智能手环对不同危险等级的安全状态进行声、 光、 震动三种方式的三重报警。 权 利 要 求 书 3/3 页 4 CN 108903936 A 4 基于人体信息和环境信息融合的智能矿用头盔控制方法 技术领域 0001 本发明涉及矿工疲劳识别技术领域, 特别是一种基于人体信息和环境信息融合的。

14、 智能矿用头盔控制方法。 背景技术 0002 我国是全世界上最大的产煤国家。 在现有矿山的技术背景基础上, 传统意义上的 矿用头盔已经不能满足市场需求, 所以需要结合数字化矿山监测系统对矿用头盔进行智能 升级。 研究矿用智能头盔, 可以完成井下复杂环境的监测和预警, 同时为井上监控室提供矿 工具体信息, 为事故的排除, 救援和事故原因分析提供了可靠的数据。 现有的矿用头盔监测 系统如下: 0003 1、 矿井报警方式多是安装在巷道里进行声光报警, 对于偏离报警源(如在掘进一 线超噪声、 多粉尘的环境下)的人员而言, 存在未及时收到报警信息等情况, 即信息的实时 性无法确保。 0004 2、 煤。

15、矿井下传感器往往在固定的位置对环境信息等进行监测, 当人员走过这个位 置时, 就无法了解到自身所处环境的信息等, 存在安全隐患。 0005 3、 现有的矿用头盔大多都只是完成矿工所处环境的监测、 语音通话等, 基本没有 对矿工本身进行监测, 更没有对矿工疲劳度等方面的检测评估。 发明内容 0006 本发明的目的是要解决现有技术中存在的不足, 提供一种基于人体信息和环境信 息融合的智能矿用头盔控制方法。 0007 为达到上述目的, 本发明是按照以下技术方案实施的: 0008 一种基于人体信息和环境信息融合的智能矿用头盔控制方法, 包括以下步骤: 0009 S1、 原始脑电波信号的获取: 通过安装。

16、在矿用头盔上的脑电信号获取装置获取矿 工的原始脑电波信号并对其进行预处理, 得到原始脑电波信号后发送安装在矿用本体后侧 的脑电信号处理器; 同时, 采用红外复合五合一气体传感器、 DHT11温湿度传感器对二氧化 碳、 甲烷、 一氧化碳、 甲醛、 挥发性有机物浓度进行测量, 将气体参数传输给主控制器; 0010 所述脑电信号获取装置包括安装在矿用头盔本体的内表面上获取大脑右侧前额 叶部位精神状态的第一脑电电极、 采集的耳垂处的电位且屏蔽参考信号的第二脑电电极和 屏蔽大脑以下伪迹信号的第三脑电电极, 以及安装在矿用头盔本体后侧用于对第一脑电电 极、 第二脑电电极和第三脑电电极采集的信号进行预处理的。

17、脑电信号处理器, 脑电信号处 理器的信号输出端与主控制器的信号输入端相接; 0011 S2、 原始脑电波信号去噪, 过程如下: 0012 S21、 在脑电信号处理器中, 选择与原始信号最相近的小波基函数, 确定小波变换 的分解尺度, 利用Mallat塔式方法对信号进行小波变换, 进而得到不同分解尺度的高频系 数分量和低频系数分量; 说 明 书 1/14 页 5 CN 108903936 A 5 0013 S22、 计算第j尺度上的小波阈值, 比较n个子带信号的小波熵, 选取小波熵值最大 的子带的小波系数, 认为该子带的小波系数是由噪声引起的, 计算该子带小波系数的中值, 作为第j尺度的噪声方差。

18、, 从而可以计算得到第j尺度的小波阈值; 0014 S23、 由于不同尺度上的噪声小波系数值不同, 随着分解尺度的增加, 噪声的小波 系数越来越小, 所以按S22分别计算不同尺度的小波阈值, 并对每一尺度的高频系数分量进 行阈值化处理, 得到近似高频小波系数; 0015 S24、 利用最高一层小波分解的低频系数分量和经过阈值处理的不同尺度的近似 高频小波系数分量, 组成进行信号重构所需要的系数分量, 按多分辨率分析的重构式进行 重构, 得到纯净脑电波信号; 0016 S3、 脑波特征提取, 过程如下: 0017 S31、 选取小波基对脑电波信号进行小波分解重构: 脑电信号处理器利用sym5小波。

19、 基函数对脑电信号获取模块采集的脑电波信号进行小波分解, 信号分解表达式为: 0018式中细节系数为:式中逼近 系数为:式中尺度函数为:式中小波函数为: 则最终 信号 重 构表达式 为 : 0019 S32、 采用sym5小波函数对脑波信号进行六层分解, 分别得到信号六层低频a6、 六 层高频d6、 五层高频d5、 四层高频d4; 经过FFT的频率检测发现六层低频a6、 六层高频d6、 五 层高频d5、 四层高频d4分别近似于 波、 波、 波、 波的频率, 因此采用小波分解的信号来代 表 波、 波、 波、 波; 0020 S33、 对原始数据进行小波分解获得不同频带的 (x)、 (x)、 (x。

20、)、 (x)子带信号, 其子带 能量为: 计算每个信号的能量比: EallE( )+E( )+E( )+E( ), En( )E( )/Eall, En( )E( )/ Eall, En( )E( )/Eall, En( )E( )/Eall, 从而能够定量分析出矿工在疲劳状态、 清醒状态 和集中状态下的EEG的子信号所占比值; 0021 S34、 计算ApEn近似熵、 KC复杂度和C0复杂度, 比较疲劳状态、 清醒状态、 集中状态 下脑电波信号这三个特征值的变化情况, 并将若干组疲劳特征值、 若干组清醒特征值、 若干 组集中特征值分别列表, 保存起来, 后续作为神经网络的输入数据; 0022。

21、 S4、 人工鱼群算法优化BP神经网络对疲劳特征进行识别, 过程如下: 0023 S41、 将S3中得到的四个子带能量、 ApEn近似熵、 KC复杂度和C0复杂度作为神经网 络的输入层数据, 分别用(1, 0, 0)、 (0, 1, 0)、 (0, 0, 1)代表疲劳、 清醒、 集中状态作为神经网 络的输出层; 说 明 书 2/14 页 6 CN 108903936 A 6 0024 S42、 设BP神经网络中输入层有M个神经元, 隐含层有J个神经元, 输出层有K个神经 元, 输入层到隐含层之间的权值表示为wij, 隐含层神经元的阀值表示为bj, 隐含层到输出层 之间的权值表示为vjk, 输出。

22、层神经元的阀值表示为ak。 BP神经网络中要调整的参数是权值 wij、 vjk和阀值bj、 ak, 将这些要调整的参数设为人工鱼状态, 则人工鱼x可以表示为一个M*J+ J+J*K+K维向量: 0025 x(w11,wM1,b1,wiJ,wMJ,bJ,v11,vJ1,a1,v1k,vJK,aK), 其中w11, wM1表示输入层神经元到第一个隐含层神经元的权值, b1表示隐含层第一个神经元的阀值, wiJ,wMJ表示输入层神经元到第J个隐含层神经元的权值, bJ表示隐含层第J个神经元的阀 值, v11,vJ1表示隐含层神经元到第一个输出层神经元的权值, a1表示输出层第一个神经元 的阀值, v。

23、1k,vJK表示隐含层神经元到第K个输出层神经元的权值, aK表示输出层第K个神经 元的阀值, 人工鱼的食物浓度FC设置为BP神经网络总误差E的倒数, 即FC1/E, 这样人工鱼所 要寻找的食物浓度最大的点就是BP神经网络误差最小的点, 任意两条人工鱼x1、 x2之间的欧 几里得距离d表示为: 式中x1、 x2中的元素严责按照维度一一对应着相减, 人工鱼x在执行觅食行为、 聚群行为和追 尾行为后就会改变自身的状态, 同时对BP神经网络进行初始权值和阀值的一次调整; 0026 S43、 主控制器根据BP神经网络误差函数的特点以及前人的设计经验, 结合实验, 选取中间隐含层的神经元为20, 样本输。

24、入为17维的数据, 网络输出为1维, 即神经网络的结 构设置为17-20-1; 0027 S44、 人工鱼优化算法中选择人工鱼数目为10, 可视域为0.5, 拥挤因子为0.618, 步 长选择为0.1, 迭代次数为50, 重复探索次数为50; BP神经网络激活函数1选择tansig函数, 激活函数2选择logsig函数, 训练函数采用traindx函数, 最大训练次数设置为20000次, 学 习率为0.05, 误差要求精度为10-4, 动量因子0.9; 0028S45、 对二元函数(-10x,y10)进行拟合来测试人工鱼群优化BP 网络的性能: 取步长为0.1, 一共40000个数据, 其中3。

25、5000个做训练样本, 5000做测试样本, 对数据进行100次训练; 0029 S46、 从脑电数据库中选取2100组数据, 600组集中状态数据, 600组清醒状态, 600 组疲劳状态, 这1800组用于网络训练, 其余300组用于网络测试, 分组采用交叉的方式进行。 利用上述步骤训练测试的神经网络对脑电波信号的状态进行识别, 实现对井下人员疲劳度 的监测; 0030 S5、 主控制器处理各种传感器的浓度数据判断气体的超限状态, 融合出当前的安 全状态和危险等级, 同时通过井下现有的通信节点发送到监控主机显示的界面, 以及通过 蓝牙模块与主控制器连接的佩戴在矿工手腕上的智能手环对不同危险。

26、等级的安全状态进 行声、 光、 震动三种方式的三重报警。 0031 与现有技术相比, 本发明的有益效果: 0032 1、 本发明利用最大小波熵自适应地选择强背景噪声下脑电信号去噪阈值, 获得一 种基于小波熵的弱信号检测方法, 并实现 波、 波、 波、 波的子带信号能量信息中疲劳特 说 明 书 3/14 页 7 CN 108903936 A 7 征的提取。 0033 2、 本发明利用人工鱼群算法全局寻优的功能优化BP神经网络初始权值, 获得了人 工鱼群-BP神经网络分类器模型。 仿真对比发现, 人工鱼群-BP神经网络模型比BP神经网络 模型的识别正确率提高了2.3。 0034 3、 本发明搭建了。

27、基于脑机接口的矿用智能头盔系统, 完成了基于环境参数、 精神 状态的安全态势评估算法设计; 并将智能可穿戴手环引入煤矿井下, 实现声光振动三重报 警和信息实时显示, 大大提高了安全预警水平, 能有效的减少事故的发生, 对矿井安全生产 意义重大。 附图说明 0035 图1为本发明的流程图。 0036 图2为本发明采用小波熵提取出的纯净脑电波信号图: (a)为湮没在强噪声背景中 的脑波信号图, (b)为脑波信号小波熵除燥结果图。 0037 图3为本发明的不同状态下子波所占能量图表: (a)疲劳状态, (b)清醒状态, (c)集 中状态。 0038 图4为本发明的脑电波信号不同状态下的ApEn、 K。

28、C和C0值; (a)不同状态下近似熵 ApEn, (b)不同状态下KC值, (c)不同状态下C0。 0039 图5为本发明的人工鱼群优化BP神经网络结构图。 0040 图6为本发明的人工鱼群算法优化BP神经网络流程图。 0041 图7为本发明的二元函数的三维图。 0042 图8为本发明的人工鱼群BP神经网络算法与真实值和常规BP神经网络算法测试结 果对比图。 0043 图9为本发明的BP神经网络和AF-BP神经网络的训练结果对比图: (a)为BP神经网 络训练误差, (b)为BP神经网络训练状态, (c)为AF-BP神经网络训练误差, (d)为AF-BP神经 网络训练状态。 0044 图10为。

29、本发明实施例的智能手环瓦斯爆炸灾害风险预警等级。 0045 图11为本发明实施例的智能手环数据流整体数据处理设计流程。 0046 图12为本发明实施例的瓦斯甲烷危险标志位流程图。 0047 图13为本发明的智能手环危险等级标志位冒泡排序。 0048 图14为本发明的智能手环危险等级标志位排序流程图。 0049 图15为本发明的智能手环危险预警操作流程图。 0050 图16为本发明的智能手环危险报警操作流程图。 0051 图17为本发明的整体智能矿用头盔的电路结构框图。 具体实施方式 0052 下面结合具体实施例对本发明作进一步描述, 在此发明的示意性实施例以及说明 用来解释本发明, 但并不作为。

30、对本发明的限定。 0053 如图1所示的本发明一种基于人体信息和环境信息融合的智能矿用头盔控制方 法, 包括以下步骤: 说 明 书 4/14 页 8 CN 108903936 A 8 0054 S1、 原始脑电波信号的获取: 通过安装在矿用头盔上的脑电信号获取装置获取矿 工的原始脑电波信号并对其进行预处理, 得到原始脑电波信号后发送安装在矿用本体后侧 的脑电信号处理器, 脑电信号处理器通过安装在矿用头盔内的可充电电源进行供电; 同时, 采用红外复合五合一气体传感器、 DHT11温湿度传感器对二氧化碳、 甲烷、 一氧化碳、 甲醛、 挥发性有机物浓度进行测量, 将气体参数传输给主控制器; 0055。

31、 如图17所示, 所述脑电信号获取装置包括安装在矿用头盔本体的内表面上获取大 脑右侧前额叶部位精神状态的第一脑电电极、 采集的耳垂处的电位且屏蔽参考信号的第二 脑电电极和屏蔽大脑以下伪迹信号的第三脑电电极, 以及安装在矿用头盔本体后侧用于对 第一脑电电极、 第二脑电电极和第三脑电电极采集的信号进行预处理的脑电信号处理器, 脑电信号处理器的信号输出端与主控制器的信号输入端相接; 0056 S2、 原始脑电波信号去噪, 过程如下: 0057 由于小波熵理论是基于小波分析方法建立起类似信息熵的理论, 能够对时频域上 能量分布特性进行定量描述。 把小波变换的系数矩阵处理成一个概率分布序列, 由它计算 。

32、得到的熵值就反映了这个系数矩阵的稀疏程度。 小波熵理论是利用小波变换矩阵的稀疏程 度来抑制无关成分。 0058 根据小波变换的框架理论, 当小波基函数是一组正交基时, 小波变换具有能量守 恒的性质, 即: 0059 0060 定义单一尺度下的小波能量为该尺度下小波系数的平方和。 0061 0062 由正交小波变换的特性可知, 在某一时间窗内, 信号总功率等于各个分量功率之 和。 0063 0064 把每一个分解尺度的高频信息量都看成是一个单独的信号源, 将每一层高频小波 系数分成n个相等的小区间, 计算各个小区间的小波熵, 选取熵值最大的那个小区间的中值 作为噪声的方差, 实现基于小波熵的阈值。

33、自适应选取。 0065 设第j层的高频小波系数为dj(k), 采样点为N, 将这些采样点上的小波系数分成n 等分, 则第k个子区间的小波系数对应的能量为: 0066 0067 第j层高频小波系数的总能量表示为: 0068 0069 设第k个子区间包含的信号能量在该尺度上总能量中存在的概率为: 说 明 书 5/14 页 9 CN 108903936 A 9 0070 0071 则定义第k个子区间对应的信号小波熵为: 0072 0073 S21、 选择与原始信号最相近的小波基函数, 确定小波变换的分解尺度, 利用 Mallat塔式方法对信号进行小波变换, 进而得到不同分解尺度的高频系数分量和低频系。

34、数 分量; 0074 S22、 计算第j尺度上的小波阈值, 比较n个子带信号的小波熵, 选取小波熵值最大 的子带的小波系数, 认为该子带的小波系数是由噪声引起的, 计算该子带小波系数的中值, 作为第j尺度的噪声方差, 从而可以计算得到第j尺度的小波阈值; 0075 S23、 由于不同尺度上的噪声小波系数值不同, 随着分解尺度的增加, 噪声的小波 系数越来越小, 所以按S22分别计算不同尺度的小波阈值, 并对每一尺度的高频系数分量进 行阈值化处理, 得到近似高频小波系数; 0076 S24、 利用最高一层小波分解的低频系数分量和经过阈值处理的不同尺度的近似 高频小波系数分量, 组成进行信号重构所。

35、需要的系数分量, 按多分辨率分析的重构式进行 重构, 得到纯净脑电波信号; 采用小波熵提取出的纯净脑电波信号, 如图2所示。 0077 S3、 脑波特征提取, 过程如下: 0078 S31、 选取小波基对脑电波信号进行小波分解: 脑电信号处理器利用sym5小波基函 数对脑电信号获取模块采集的脑电波信号进行小波分解重构, 信号分解表达式为: 0079式中细节系数为:式中逼近 系数为:式中尺度函数为:式中小波函数为: 则最终信号重构表达式为: 0080 S32、 采用sym5小波函数对脑波信号进行六层分解, 分别得到信号六层低频a6、 六 层高频d6、 五层高频d5、 四层高频d4; 经过FFT的。

36、频率检测发现六层低频a6、 六层高频d6、 五 层高频d5、 四层高频d4分别近似于 波、 波、 波、 波的频率, 因此采用小波分解的信号来代 表 波、 波、 波、 波; 0081 S33、 对原始数据进行小波分解获得不同频带的 (x)、 (x)、 (x)、 (x)子带信号, 其子带能量为: 计算每个信号的能量比: EallE( )+E( )+E( )+E( ), En( )E( )/Eall, En( )E( )/ Eall, En( )E( )/Eall, En( )E( )/Eall, 从而能够定量分析出矿工在疲劳状态、 清醒状态 说 明 书 6/14 页 10 CN 108903936。

37、 A 10 和集中状态下的EEG的子信号所占比值; 不同状态下的子带能量如表1所示。 0082 表1不同状态下各子带的能量 0083 0084 将表1中的能量值进行归一化处理结果如图3所示。 从图3中可以看出三种状态下 波占主要成分。 在疲劳状态下, 脑电波信号的子带能量主要集中于 波; 清醒状态下 波的能 量下降, 其他波能量上升; 集中状态下, 波能量比较突出。 从频率的角度看, 随着精神状态 的提高, 低频信号能量降低, 高频信号能量增大。 利用小波分解能够定量分析出不同状态下 的脑电波的子信号所占比值, 其提取的特征明显且易区分。 0085 S34、 计算ApEn近似熵、 KC复杂度和。

38、C0复杂度, 如图4所示。 比较疲劳状态、 清醒状 态、 集中状态下脑电波信号这三个特征值的变化情况, 并将若干组疲劳特征值、 若干组清醒 特征值、 若干组集中特征值分别列表, 保存起来, 后续作为神经网络的输入数据; 其中ApEn 近似熵、 KC复杂度和C0复杂度的计算方法具体为: 0086 (1)ApEn近似熵 0087 近似熵计算过程中需要人为设置两个参数, 一个是为了体现信号序列在不同维数 下复杂性变化特性的模式维数m, 另外一个是相似容限r, 在编程过程中根据情况调整, 但是 一旦取得理想的r值, 这两个参数在接下来的程序中保持固定不变。 近似熵算法步骤如下: 0088 1)设原始数。

39、据集合为s(1),s(2),s(N)总共N个数据点。 0089 2)将序列s(i)按顺序依次排列组成m维矢量S(i), S(i)从S(1)到S(N-m+1), 其中: 0090 S(i)s(i),s(i+1),s(i+m-1),i1N-m+1 0091 对上述定义的每一个i值计算矢量S(i)与其余矢量S(j)之间的距离: 0092 0093 3)设定相似容限r, 对每个iN-m+1的值, 统计dS(i),S(j)小于r的数目及此数目 与距离总数N-m+1的比值, 记作即: 0094 00954)将取对数, 再求其对所有i的平均值, 记作m(r)即: 0096 00975)将维数m加1, 重复上。

40、述(1)到(4)步计算得到和m+1(r), 则近似熵可定 义为: 说 明 书 7/14 页 11 CN 108903936 A 11 0098 ApEn(m,r)m(r)-m+1(r) 0099 在本发明实验中, 设定m2, r0.1*Std, 其中Std是原始数据s(i)的标准差。 0100 对脑电波信号进行分析前首先对原始脑波进行除噪声处理, 脑电波信号的采样频 率为512Hz, 即每秒采集512个数据, 分别在三种状态下提取脑电波信号, 采集30s的时间总 共512*3015360个数据, 根据上述算法计算每秒的近似熵如图4(a)所示, 从上述曲线图看 出三种状态之间有着明显的差异, 在。

41、疲劳状态下的近似熵主要集中在00.2之间, 近似熵 很小, 表明大脑思维的无序程度减小, 复杂性降低。 在清醒与集中状态下的近似熵则较高一 般高于0.55以上, 表明大脑思维很活跃, 脑波波动范围大, 复杂性高, 通过近似熵的计算较 好的反应出了脑电波信号的复杂度特征体现出了脑电信号的内在非线性特征, 在人身体的 状态的识别精度、 准确度有所提高成为衡量疲劳状态的指标。 0101 (2)KC复杂度 0102 在Kasper设计的算法中, 首先将时间信号序列进行粗粒化处理, 即每一个原始序 列点都用一个比特位来代替, 那么整个信号序列实际上就变成了一个(0,1)序列, 具体的粗 粒化规则为: 计。

42、算一段时间序列的平均值, 如果序列中的值大于此平均值则置为1, 否则用0 来表示。 通过此方法的处理就可以得到一段新的时间序列。 0103 通过算法设计, 就可以分析上述粗粒化序列的所包含的不同模式数, 具体算法过 程如下所示: 0104 1)在一段粗粒化的(0,1)序列A(A通常从第一个字符开始即A取s1)后面增加一个 字符B; 0105 2)判断B是否属于字符串ABC(ABC是AB减去最后一个字符的结果), 如果B在前面已 经出现过则称B是ABC的一个子串, 并没有出现新的模式, 此过程称为复制过程; 0106 3)把上述B加到整个字符串的后边, 继续增加B的长度, 在进行判断, 如果此时。

43、B是 没有出现在字符串ABC中, 那么可以认为是出现了一个新的模式, 此时进行插入操作, 利用 一个特殊符号如 “*” 进行插入并将B附加在符号后面, 此时两段字符串被分成前后两段; 0107 4)重新构造B, 此时B又从一个字符开始, 重复上述算法步骤直到遍历了所有字符 串为止, 则字符串中出现的 “*” 反应了序列的模式总和。 0108 则复杂度c(n)就可以用上所 “*” 将所有字符串分成的段数来表示。 实验证明大多 数(0,1)序列的复杂度c(n)都趋向定值: 0109 0110 利用上述b(n)将c(n)归一化, 即可定义复杂度公式如下: 0111 Ckc(n)c(n)/b(n), 。

44、计算结果如图4(b)所示, 从图中看出处于疲劳状态的KC值大 致处于0.20.3之间, 清醒状态的KC值处于0.30.5之间, 集中状态050.7之间。 大脑在 工作时, 神经细胞活动相对处于比较有序的状态, 随着精神疲劳程度的增加, 神经对细胞活 动的控制能力减弱, 神经细胞活动兴奋程度增加, 神经细胞活动的无序化渐趋加剧, 其KC值 将会增加, 表明利用KC值对人身体的疲劳状态进行分级具有一定的可行性。 0112 (3)C0复杂度 0113 C0复杂度定义的是序列中非规则成分所占比例, 其算法主要思想是将序列分解成 规则成分和不规则成分, 对给定长度为N的时间序列x(n),n0,1,2,N。

45、-1进行离散FFT 变换。 说 明 书 8/14 页 12 CN 108903936 A 12 0114 0115 式中, K0,1,2,N-1, 设x(n),n0,1,2,N-1的均方值为: 0116 0117 引入参数r, 保留超过均方值r倍的频谱, 而将其余部分置为零: 0118 0119 对上式进行傅里叶逆变换有: 0120 0121 式中n0,1,2,N-1, 定义C0复杂度为: 0122 0123 随着参数r的增加, C0测度值逐渐增大, 这表明, 随着r的增大, 去掉的规则部分越 少, 测度值将相应的增加, 当r大于2后, 测度值稳定, 所以建议r取值范围为510。 鉴于C0算 。

46、法计算速度快, 建议序列长度N大于2000; 计算结果如图4(c)所示。 使用C0值提取脑电波特 征值对脑电序列的复杂度进行计算, 将序列中的规则信号和不规则信号解析出来, 大脑越 活跃脑电波中所含有的不规则信号就越多, 根据计算不规则信号的含量来获得C0值, 大脑 越活跃则C0值越大。 0124 S4、 人工鱼群算法优化BP神经网络对疲劳特征进行识别, 过程如下: 0125 S41、 将S3中得到的四个子带能量、 ApEn近似熵、 KC复杂度和C0复杂度作为神经网 络的输入层数据, 分别用(1, 0, 0)、 (0, 1, 0)、 (0, 0, 1)代表疲劳、 清醒、 集中状态作为神经网 络。

47、的输出层; 0126 S42、 大多数的神经网络训练通常很慢, 因为网络的权重是基于误差信息更新的, 初始值的选择对网络训练至关重要, 一个好的初值能够减少训练时间更快得到神经网络模 型的参数。 这里我们选择基于人工鱼群算法优化的BP神经网络来训练, 其与传统BP算法区 别在于不随机选取网络初始值或者将初值赋0值, 而是使用人工鱼群的算法先找出比较优 越的初值。 BP神经网络预测用人工鱼群算法得到最优网络初始权值和阈值, 网络经训练后 预测函数输出, 具体流程图如图6所示。 0127 构建人工鱼群算法优化的BP神经网络结构图如图5所示, 设BP神经网络中输入层 有M个神经元, 隐含层有J个神经。

48、元, 输出层有K个神经元, 输入层到隐含层之间的权值表示 为wij, 隐含层神经元的阀值表示为bj, 隐含层到输出层之间的权值表示为vjk, 输出层神经元 的阀值表示为ak。 BP神经网络中要调整的参数是权值wij、 vjk和阀值bj、 ak, 将这些要调整的 参数设为人工鱼状态, 则人工鱼x可以表示为一个M*J+J+J*K+K维向量: 0128 x(w11,wM1,b1,wiJ,wMJ,bJ,v11,vJ1,a1,v1k,vJK,aK), 其中 w11,wM1表示输入层神经元到第一个隐含层神经元的权值, b1表示隐含层第一个神经元 说 明 书 9/14 页 13 CN 108903936 A 13 的阀值, wiJ,wMJ表示输入层神经元到第J个隐含层神经元的权值, bJ表示隐含层第J个神 经元的阀值, v11,vJ1表示隐。

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 >


copyright@ 2017-2020 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备2021068784号-1