第14卷第4期 智能系统学报 Vol.14 No.4 2019年7月 CAAI Transactions on Intelligent Systems Jul.2019 D0:10.11992/tis.201806047 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.tp.20181218.1639.011.html 低觉醒脑电识别与唤醒的可穿戴系统研究 杨建平，刘明华，吕敬祥，孔翠香，帅晓勇 (并冈山大学电子与信息工程学院，江西吉安343009) 摘要：为智能化地识别警戒作业人员出现的低觉醒、注意力下降的生理状态，本文介绍了一种基于FPGA和 脑电信号处理的低觉醒状态检测与唤醒系统，系统通过传感器从大脑头皮采集脑电信号，转换为数字信号，经 傅里叶变换获取了脑电信号的日相对能量、α相对能量、重心频率、谱熵等4个特征量，由4个特征量表征低觉 醒状态并运用支持向量机对低警戒状态进行识别，当识别出低觉醒状态时采用声音报警模块发出声音，唤醒警 戒作业人员。设计系统能够较好地识别出低觉醒状态，识别率达90.8%.可为提高警戒作业工作绩效提供一种 可穿戴的智能装备。 关键词：现场可编程门阵列；脑电信号：低觉醒状态；警戒作业；支持向量机；相对能量；重心频率；谱熵 中图分类号：TP391文献标志码：A文章编号：1673-4785(2019)04-0787-06 中文引用格式：杨建平，刘明华，吕敬样，等.低觉醒脑电识别与唤醒的可穿戴系统研究J小.智能系统学报，2019,14(4)： 787-792. 英文引用格式：YANG Jianping,LIU Minghua,LYU Jingxiang,.etal.A wearable system to recognize and awaken low-.arousal state[J].CAAI transactions on intelligent systems,2019,14(4):787-792. A wearable system to recognize and awaken low-arousal state YANG Jianping,LIU Minghua,LYU Jingxiang,KONG Cuixiang,SHUAI Xiaoyong (School of Electronics and Information Engineering,Jinggangshan University,Ji'an 343009,China) Abstract:To intelligently identify the physiological state of vigilance workers with low awakening and low attention, this paper presents a monitoring and awakening system for low arousal/vigilance state based on the field-programmable gate array(FPGA)and electroencephalogram(EEG)signals processing.The system collects EEG signals from the scalp, converts the analog signals to digital signals,and then uses Fourier transform to calculate its power spectrum.The sys- tem subsequently acquires four eigenvectors-the relative energies of the 6 and a,the gravity frequency,and the spec- trum entropy-which are used to characterize the low arousal state,and on this basis,the support vector machine(SVM) is used to recognize the low arousal state.Once the low arousal state is identified,the SVM will awaken the vigilance worker using a sound alarm module.The system can effectively distinguish the low awakening state,and the recogni- tion rate reaches 90.8%.Moreover,it can provide a wearable intelligent equipment to improve performance of vigilance operations. Keywords:field-programmable gate array(FPGA);electroencephalogram;low arousal state;vigilance operation;sup- port vector machine;relative energy;gravity frequency;spectrum entropy 在现代化的机械设备中，智能化、自动化程工机械的操作与控制、自动化生产的实时监控 度不断提升，机械设备的操作变得越来越简单，等；在这类行业中，作业人员工作单调、乏味，容 但操控机械设备时要求作业人员持续保持觉易导致生理疲劳、心理厌倦、注意力不集中，即处 醒一警戒作业，如车辆驾驶、空中飞机作业、加 于低觉醒水平，对目标警戒能力下降。当警戒下 收稿日期：2018-06-30.网络出版日期：2018-12-20. 降时，轻者只是绩效下降，重者会导致非常严重 基金项目：国家自然科学基金项目(11761038)：江西省教育厅 科技项目(GJ13542). 的事故，因而设计并生产智能化的、可穿戴的监 通信作者：杨建平.E-mail:yangip9273@163.com. 测及唤醒设备对警戒作业人员状态进行识别，及
DOI: 10.11992/tis.201806047 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.tp.20181218.1639.011.html 低觉醒脑电识别与唤醒的可穿戴系统研究 杨建平，刘明华，吕敬祥，孔翠香，帅晓勇 （井冈山大学 电子与信息工程学院，江西 吉安 343009） 摘 要：为智能化地识别警戒作业人员出现的低觉醒、注意力下降的生理状态，本文介绍了一种基于 FPGA 和 脑电信号处理的低觉醒状态检测与唤醒系统，系统通过传感器从大脑头皮采集脑电信号，转换为数字信号，经 傅里叶变换获取了脑电信号的 θ 相对能量、α 相对能量、重心频率、谱熵等 4 个特征量，由 4 个特征量表征低觉 醒状态并运用支持向量机对低警戒状态进行识别，当识别出低觉醒状态时采用声音报警模块发出声音，唤醒警 戒作业人员。设计系统能够较好地识别出低觉醒状态，识别率达 90.8%，可为提高警戒作业工作绩效提供一种 可穿戴的智能装备。 关键词：现场可编程门阵列；脑电信号；低觉醒状态；警戒作业；支持向量机；相对能量；重心频率；谱熵 中图分类号：TP391 文献标志码：A 文章编号：1673−4785(2019)04−0787−06 中文引用格式：杨建平, 刘明华, 吕敬祥, 等. 低觉醒脑电识别与唤醒的可穿戴系统研究 [J]. 智能系统学报, 2019, 14(4): 787–792. 英文引用格式：YANG Jianping, LIU Minghua, LYU Jingxiang, et al. A wearable system to recognize and awaken low-arousal state[J]. CAAI transactions on intelligent systems, 2019, 14(4): 787–792. A wearable system to recognize and awaken low-arousal state YANG Jianping，LIU Minghua，LYU Jingxiang，KONG Cuixiang，SHUAI Xiaoyong (School of Electronics and Information Engineering, Jinggangshan University, Ji’an 343009, China) Abstract: To intelligently identify the physiological state of vigilance workers with low awakening and low attention, this paper presents a monitoring and awakening system for low arousal/vigilance state based on the field-programmable gate array (FPGA) and electroencephalogram (EEG) signals processing. The system collects EEG signals from the scalp, converts the analog signals to digital signals, and then uses Fourier transform to calculate its power spectrum. The system subsequently acquires four eigenvectors—the relative energies of the θ and α, the gravity frequency, and the spectrum entropy—which are used to characterize the low arousal state, and on this basis, the support vector machine (SVM) is used to recognize the low arousal state. Once the low arousal state is identified, the SVM will awaken the vigilance worker using a sound alarm module. The system can effectively distinguish the low awakening state, and the recognition rate reaches 90.8%. Moreover, it can provide a wearable intelligent equipment to improve performance of vigilance operations. Keywords: field-programmable gate array (FPGA); electroencephalogram; low arousal state; vigilance operation; support vector machine; relative energy; gravity frequency; spectrum entropy 在现代化的机械设备中，智能化、自动化程 度不断提升，机械设备的操作变得越来越简单， 但操控机械设备时要求作业人员持续保持觉 醒—警戒作业，如车辆驾驶、空中飞机作业、加 工机械的操作与控制、自动化生产的实时监控 等；在这类行业中，作业人员工作单调、乏味，容 易导致生理疲劳、心理厌倦、注意力不集中，即处 于低觉醒水平，对目标警戒能力下降。当警戒下 降时，轻者只是绩效下降，重者会导致非常严重 的事故，因而设计并生产智能化的、可穿戴的监 测及唤醒设备对警戒作业人员状态进行识别，及 收稿日期：2018−06−30. 网络出版日期：2018−12−20. 基金项目：国家自然科学基金项目 (11761038)；江西省教育厅 科技项目 (GJJ13542). 通信作者：杨建平. E-mail：yangjp9273@163.com. 第 14 卷第 4 期 智 能 系 统 学 报 Vol.14 No.4 2019 年 7 月 CAAI Transactions on Intelligent Systems Jul. 2019
·788· 智能系统学报 第14卷 时唤醒低觉醒状态对提高工作绩效、安全生产具 硬件结构，另外还专门准备了可扩展的/O接口， 有非常重要的意义。 以备可能的监控系统功能升级及扩展应用。 采用恰当的低觉醒状态表现特征、在线测量 状态监控系统主要分为单电极EEG信号采 并计算作业人员的状态特征、评估觉醒水平，是 集、模数转换器、EEG信号处理模块、SVM特征 自动化生产中的一项重要课题。目前类似研究 识别模块以及语音报警模块，EEG信号处理模块 主要有：1)借助提取呼吸信号和哈欠频繁次数等 主要通过频谱的计算获取4个EEG状态特征，组 作为判定疲劳状态特征参数的实时监测系统2)； 成特征向量，系统结构框图如图1所示。 2)运用数字图像处理方法提取作业人员的面部表 情来判断驾驶员是否处于觉醒状态的系统：3) 单电极EEG 模数 EEG信号处 信号采集端 转换器 理模块 采用眼电、心电、肌电等生理特征量的觉醒判别 妙 方法，4)结合眼动、方向盘转动及生理状态等 语音报警 SVM特征 4个EEG 疲劳作业特征的驾驶员精神状态的监测方法。 模块 识别模块 状态特征 上述的众多研究中，呼吸信号、面部表情、方向盘 图1系统框图 转动等表现特征是觉醒水平下降的表现，但觉醒 Fig.1 System block diagram 水平下降并不表明相应特征一定出现，用来表征 低觉醒水平不够理想，另外通过图像采集相关特 2 低觉醒状态EEG信号采集及特征 征的系统具有明显的滞后性，预警效果较差；眼 分析 电、心电、肌电等生理特征难于全面、恰当地评价 人体的觉醒状态。脑电(electroencephalogram, 2.1 单电极EEG信号采集端 EEG)信号被认为更适合作为觉醒状态检测的指 单电极EEG信号采集相比多电极简单，更易 标910，具有无创性，能及时、准确地反映警戒人 于可穿戴化。EEG采集模板示意图如图2所示， 员的状态，是目前最客观、最常用的研究觉醒状 通过置于头皮上的传感器从大量的噪声中提取微 态的生理指标。例如，当警戒作业人员的觉醒水 弱的脑电信号，采集过程中EEG信号处于极化电 平下降时，EEG信号也发生相应的变化，通过处 压、高频干扰、50Hz工频等各种干扰，在模数转 理、分析作业人员的EEG信号可判断作业员是否 换前应设计前置放大电路、高通滤波器、低通滤 处于觉醒状态，并在出现低觉醒状态时发出唤醒 波器和50Hz陷波器、20000倍左右信号放大电 警告，促使作业人员保持觉醒状态。本文对警戒 路，整个电路需处于隔离电源电路的保护之下。 作业人员的EEG进行监控，提取EEG信号，用信 大脑头皮 前置放 高通滤 低通滤 号处理方法、模式识别手段，设计一种低觉醒状 传感器 大电路 波器 波器 态的监测系统，对警戒作业人员的状态进行识 别、报警及唤醒。 隔离电源保护电路 1系统框架 信号放 50 Hz 模数转换器 大电路 陷波器 现场可编程门阵列(field programmable gate 图2EEG采集模块示意图 array,FPGA)具有非常好的并行处理功能，已发 Fig.2 The schematic diagram of EEG signal collection 展为一门与数字信号处理密切相关的技术，其多 2.2 低觉醒单电极EEG信号的特征分析 通道、实时性能够很好地满足EEG信号处理的要 求。在现代化装备上开发的EEG状态监控系 人体处于不同的生理状态下EEG信号呈现 出不同的特征，其中节律特征在目前各类研究中 统具有可穿戴性、操作简单，能够实时监测、改善 作业人员的大脑精神状况。系统的硬件平台主要 使用非常广泛，EEG信号的常用节律主要包括 基于Alter公司的DE2开发板，开发板内部采用 5种，分别占有不同的频带，即(0.5~4Hz)、48 片上可编程系统(system-on-a-programmable-chip, Hz、a(8~13Hz)、13-25Hz)和C25Hz)。当警 SOPC)技术把NiosⅡ软核处理器、存储器、功能 戒作业员大脑处于完全放松或全神贯注等精神状 接口以及扩展I/O口等部件集成在一块FPGA芯 态时多出现α节律，这时的大脑注意力集中，思 片上，在开发板的外围扩展脑电数据采集板、 维活跃，思路清晰、快捷，作业绩效高；而作业人 AD转换器、SD存储卡等硬件设施来实现系统的 员觉醒度下降甚至进入瞌睡状态时，EEG信号中
时唤醒低觉醒状态对提高工作绩效、安全生产具 有非常重要的意义。 采用恰当的低觉醒状态表现特征、在线测量 并计算作业人员的状态特征、评估觉醒水平，是 自动化生产中的一项重要课题[1]。目前类似研究 主要有：1) 借助提取呼吸信号和哈欠频繁次数等 作为判定疲劳状态特征参数的实时监测系统[2-3] ； 2) 运用数字图像处理方法提取作业人员的面部表 情来判断驾驶员是否处于觉醒状态的系统[4] ；3) 采用眼电、心电、肌电等生理特征量的觉醒判别 方法[5-7] ; 4) 结合眼动、方向盘转动及生理状态等 疲劳作业特征的驾驶员精神状态的监测方法[8]。 上述的众多研究中，呼吸信号、面部表情、方向盘 转动等表现特征是觉醒水平下降的表现，但觉醒 水平下降并不表明相应特征一定出现，用来表征 低觉醒水平不够理想，另外通过图像采集相关特 征的系统具有明显的滞后性，预警效果较差；眼 电、心电、肌电等生理特征难于全面、恰当地评价 人体的觉醒状态。脑电 (electroencephalogram， EEG) 信号被认为更适合作为觉醒状态检测的指 标 [9-10] ，具有无创性，能及时、准确地反映警戒人 员的状态，是目前最客观、最常用的研究觉醒状 态的生理指标。例如，当警戒作业人员的觉醒水 平下降时，EEG 信号也发生相应的变化，通过处 理、分析作业人员的 EEG 信号可判断作业员是否 处于觉醒状态，并在出现低觉醒状态时发出唤醒 警告，促使作业人员保持觉醒状态。本文对警戒 作业人员的 EEG 进行监控，提取 EEG 信号，用信 号处理方法、模式识别手段，设计一种低觉醒状 态的监测系统，对警戒作业人员的状态进行识 别、报警及唤醒。 1 系统框架 现场可编程门阵列 (field programmable gate array，FPGA) 具有非常好的并行处理功能，已发 展为一门与数字信号处理密切相关的技术，其多 通道、实时性能够很好地满足 EEG 信号处理的要 求 [11]。在现代化装备上开发的 EEG 状态监控系 统具有可穿戴性、操作简单，能够实时监测、改善 作业人员的大脑精神状况。系统的硬件平台主要 基于 Alter 公司的 DE2 开发板，开发板内部采用 片上可编程系统 (system-on-a-programmable-chip， SOPC) 技术把 NiosⅡ软核处理器、存储器、功能 接口以及扩展 I/O 口等部件集成在一块 FPGA 芯 片上，在开发板的外围扩展脑电数据采集板、 A/D 转换器、SD 存储卡等硬件设施来实现系统的 硬件结构，另外还专门准备了可扩展的 I/O 接口， 以备可能的监控系统功能升级及扩展应用。 状态监控系统主要分为单电极 EEG 信号采 集、模数转换器、EEG 信号处理模块、SVM 特征 识别模块以及语音报警模块，EEG 信号处理模块 主要通过频谱的计算获取 4 个 EEG 状态特征，组 成特征向量，系统结构框图如图 1 所示。 单电极 EEG 信号采集端 模数 转换器 EEG 信号处 理模块 SVM 特征 识别模块 语音报警 模块 4个 EEG 状态特征 图 1 系统框图 Fig. 1 System block diagram 2 低觉醒状态 EEG 信号采集及特征 分析 2.1 单电极 EEG 信号采集端 单电极 EEG 信号采集相比多电极简单，更易 于可穿戴化。EEG 采集模板示意图如图 2 所示， 通过置于头皮上的传感器从大量的噪声中提取微 弱的脑电信号，采集过程中 EEG 信号处于极化电 压、高频干扰、50 Hz 工频等各种干扰，在模数转 换前应设计前置放大电路、高通滤波器、低通滤 波器和 50 Hz 陷波器、20 000 倍左右信号放大电 路，整个电路需处于隔离电源电路的保护之下。 大脑头皮 传感器 前置放 大电路 高通滤 波器 低通滤 波器 50 Hz 陷波器 信号放 大电路 模数转换器 隔离电源保护电路 图 2 EEG 采集模块示意图 Fig. 2 The schematic diagram of EEG signal collection 2.2 低觉醒单电极 EEG 信号的特征分析 人体处于不同的生理状态下 EEG 信号呈现 出不同的特征，其中节律特征在目前各类研究中 使用非常广泛，EEG 信号的常用节律主要包括 5 种，分别占有不同的频带，即 δ(0.5~4 Hz)、θ(4~8 Hz)、α(8~13 Hz)、β(13~25 Hz) 和 γ(>25 Hz)。当警 戒作业员大脑处于完全放松或全神贯注等精神状 态时多出现 α 节律，这时的大脑注意力集中，思 维活跃，思路清晰、快捷，作业绩效高；而作业人 员觉醒度下降甚至进入瞌睡状态时，EEG 信号中 ·788· 智 能 系 统 学 报 第 14 卷
第4期 杨建平，等：低觉醒脑电识别与唤醒的可穿戴系统研究 ·789· 的α节律能量减少，0节律占明显优势（极度疲劳 32脑电节律的相对能量 时还会产生更多的δ波)此时警戒作业中容易产 将功率谱序列按频率分段，获取0频带和 生脱靶、漏靶现象。对比两种状态，由觉醒状态 α频带的功率谱，并经重构（傅里叶逆变换）得到 发展到低觉醒状态，EEG的主体节律频率下降， 这个两节律的信号，由原EEG信号计算出总能 导致其频域中的众多特征发生变化，0节律相对 量，两节律信号计算出0波、α波能量，计算公式： 比重、α节律的相对比重、频谱曲线的重心、频谱 曲线的结构都会产生变化，变化情况如表1如示， E=立af 因此计算两状态中的4个特征并通过机器学习这 式中a:为EEG信号或某一节律的第i个数据。 些特征可以用来识别低觉醒状态。 为方便比较各节律的能量，计算它们占总能量的 表1觉醒与低觉醒状态的特征量对比 比例，即相对能量e,e,=E,/E,E为EEG信号的总 Table 1 Compare the four characteristics of low arousal 能量，E:为某节律的能量，e,为该节律的相对能量。 state and arousal state 3.3EEG信号频谱的重心 状态 相对能量α相对能量重心频率谱嫡值 模仿物理学中计算物体重心的公式来计算 低觉醒状态 大 小 低 小 EEG信号的重心频率： 觉醒状态 小 大 高 大 [p0×月 f:= 3单电极EEG信号处理模块的算法 p() = 3.1频谱的计算 式中：p0(i=1:N/2)为功率谱序列；fi=1,2,…, 功率谱分析是EEG频域分析的经典方法，也 W/2)为各条谱线所对应的模拟频率，第ⅰ条谱线 是最基本的手段之一，它把大脑头皮电压的幅度 的模拟频率为片万~方为计算的频率范围，计 随时间变化的波形转化为功率随频率分布的频谱 算结果为方~频率区间内的重心频率；若取计 图，能直观地分析EEG各节律(6、0、a、B、)的分 算范围为0~f/2,则f为整个EEG信号的重心 布规律，是计算和分析各种频域特征量的基础。 频率。 如图3所示为一模拟警戒作业中EEG功率谱（采 3.4EEG信号谱熵的计算 样频率为100Hz),表征了该EEG信号中各频率 EEG信号的功率谱p)={P1,P2,…,Pw}可以 成分的分布特征。 理解为对原EEG信号在频域的一种分布，即按照 N个不同的频率分量对原时域EEG信号进行分 6×10s 割，对于不同状态的EEG信号后的各频率分量所 占功率的比重不同，因而可借助信息嫡的概念 4 来描述特征。定义EEG信号的频域信息嫡一谱 嫡为 0 5101520253035404550 H=-〉9lgq fHz 式中：9，为第i个功率分量p()在整个谱中所占的 图3警戒作业中的EEG功率谱 Fig.3 The spectrum of EEG signal in the simulated vigil- 百分比，即：=p)/∑p()。计算过程中，考虑 ance operation EEG信号为实信号，而实序列的傅里叶变换具有 功率谱的计算主要由快速傅里叶变换(fast 共轭对称性，因而只需选用功率谱序列()的前 Fourier transform,FFT)实现，是一种快速计算离 面一半(i=0,1,2,…,N/2-1)来计算EEG信号的 散傅里叶变换的算法，N点FFT计算出来的谱线 谱嫡。 亦为N(0~W-1)条，对于实信号（如采集的EEG信 3.5两类EEG信号状态特征向量的获取 号)，其谱线分布共轭对称，系统只需计算前 为智能化地从长时间EEG信号中识别低觉 N2条，每条所对应的模拟频率为k号《为第k条 醒状态，应预先设计实验，采集、处理觉醒状态与 低觉醒状态的两类EEG信号，并提供给系统学 谱线)，f为抽样频率，依此可得到EEG信号的各 习，使其能够从长时间警戒作业的EEG信号中识 子节律信号。 别出低觉醒状态
的 α 节律能量减少，θ 节律占明显优势 (极度疲劳 时还会产生更多的 δ 波) 此时警戒作业中容易产 生脱靶、漏靶现象。对比两种状态，由觉醒状态 发展到低觉醒状态，EEG 的主体节律频率下降， 导致其频域中的众多特征发生变化，θ 节律相对 比重、α 节律的相对比重、频谱曲线的重心、频谱 曲线的结构都会产生变化，变化情况如表 1 如示， 因此计算两状态中的 4 个特征并通过机器学习这 些特征可以用来识别低觉醒状态。 表 1 觉醒与低觉醒状态的特征量对比 Table 1 Compare the four characteristics of low arousal state and arousal state 状态 θ相对能量 α相对能量 重心频率 谱熵值 低觉醒状态 大 小 低 小 觉醒状态 小 大 高 大 3 单电极 EEG 信号处理模块的算法 3.1 频谱的计算 功率谱分析是 EEG 频域分析的经典方法，也 是最基本的手段之一，它把大脑头皮电压的幅度 随时间变化的波形转化为功率随频率分布的频谱 图，能直观地分析 EEG 各节律 (δ、θ、α、β、γ) 的分 布规律，是计算和分析各种频域特征量的基础。 如图 3 所示为一模拟警戒作业中 EEG 功率谱 (采 样频率为 100 Hz)，表征了该 EEG 信号中各频率 成分的分布特征。 6 5 4 3 2 1 0 5 ×10−5 10 15 20 25 30 35 40 45 50 功率/(mV) 2·Hz−1 f/Hz 图 3 警戒作业中的 EEG 功率谱 Fig. 3 The spectrum of EEG signal in the simulated vigilance operation k fs N fs 功率谱的计算主要由快速傅里叶变换 (fast Fourier transform，FFT) 实现，是一种快速计算离 散傅里叶变换的算法，N 点 FFT 计算出来的谱线 亦为 N(0~N−1) 条，对于实信号 (如采集的 EEG 信 号 ) ，其谱线分布共轭对称，系统只需计算 前 N/2 条，每条所对应的模拟频率为 (k 为第 k 条 谱线)， 为抽样频率，依此可得到 EEG 信号的各 子节律信号。 3.2 脑电节律的相对能量 将功率谱序列按频率分段，获取 θ 频带和 α 频带的功率谱，并经重构 (傅里叶逆变换) 得到 这个两节律的信号，由原 EEG 信号计算出总能 量，两节律信号计算出 θ 波、α 波能量，计算公式： E = ∑N i=1 |ai | 2 ai ei ei = Ei/E Ei ei 式中 为 EEG 信号或某一节律的第 i 个数据。 为方便比较各节律的能量，计算它们占总能量的 比例，即相对能量 ， ，E 为 EEG 信号的总 能量， 为某节律的能量， 为该节律的相对能量。 3.3 EEG 信号频谱的重心 模仿物理学中计算物体重心的公式来计算 EEG 信号的重心频率： fg = ∑ f2 fi=f1 [p(i)× fi] ∑ f2 fi=f1 p(i) p(i) i = 1 : N/2 fi(i = 1,2,··· , N/2) i fs N f1 ∼ f2 f1 ∼ f2 0 ∼ fs/2 式中： ( ) 为功率谱序列; 为各条谱线所对应的模拟频率，第 i 条谱线 的模拟频率为 ， 为计算的频率范围，计 算结果为 频率区间内的重心频率；若取计 算范围为 ，则 fg 为整个 EEG 信号的重心 频率。 3.4 EEG 信号谱熵的计算 EEG 信号的功率谱 p(i) = {p1, p2,··· , pN} 可以 理解为对原 EEG 信号在频域的一种分布，即按照 N 个不同的频率分量对原时域 EEG 信号进行分 割，对于不同状态的 EEG 信号后的各频率分量所 占功率的比重不同，因而可借助信息熵的概念 来描述特征。定义 EEG 信号的频域信息熵—谱 熵为 H = − ∑N i=1 qi lgqi p(i) qi = p(i)/ ∑ p(i) p(i) i = 0,1,2,··· ,N/2−1 式中：qi 为第 i 个功率分量 在整个谱中所占的 百分比，即 。计算过程中，考 虑 EEG 信号为实信号，而实序列的傅里叶变换具有 共轭对称性，因而只需选用功率谱序列 的前 面一半 ( ) 来计算 EEG 信号的 谱熵。 3.5 两类 EEG 信号状态特征向量的获取 为智能化地从长时间 EEG 信号中识别低觉 醒状态，应预先设计实验，采集、处理觉醒状态与 低觉醒状态的两类 EEG 信号，并提供给系统学 习，使其能够从长时间警戒作业的 EEG 信号中识 别出低觉醒状态。 第 4 期 杨建平，等：低觉醒脑电识别与唤醒的可穿戴系统研究 ·789·
·790· 智能系统学报 第14卷 通过实验设计、实验过程、特征向量的计算， 4SVM特征识别模块 由模拟警戒实验获取两种状态的EEG特征向量。 1)实验设计：实验操作指令由事先编制的测 4.1识别模型 试软件产生，软件运行时产生不同的警戒刺激 支持向量机(support vector machine,SVM学 (实验选用驾驶员交通标志图片，包括红、绿灯， 习方法与神经网络、遗传算法、人工智能等其他 左、右转弯等共10个图片)，刺激图片随机地出现 学习方法相比，具有较好的推广能力和非线性处 在屏幕中心，出现刺激的时间间隔亦为随机编 理能力，已在分类EEG信号、识别人脸、融合数 制：为确保被试在整个实验进程中能够出现觉醒 据、估计函数等方面有广泛应用。SVM是由 状态以及低觉醒状态，选择有午睡习惯的被试、在 CORTES等根据统计学习理论提出的一种机器 午餐后时段(13：30~14：30)进行实验，时间约60min。 学习方法，已在小样本、非线性及高维模式识别 2)实验过程：运行编制软件开始实验，同时 中展现出独特的优势。使用SVM对被试各段 启动脑电仪采集EEG信号，采样频率为100Hz。 EEG特征进行分类时，关键是构造一个判别函 实验时要求被试注视电脑屏幕，眼睛距屏幕60cm, 数，将预分类的EEG特征量尽可能地区分为觉醒 根据屏幕中出现的警戒刺激的类型做出判断，依 状态类和低觉醒状态类，即由EEG的特征向量构 据不同的判断和所对应的“按键”在电脑键盘上完 造超平面wx+b=0,并获取最优判别函数： 成按键操作，其中按键操作的反应时间、按键操 f(x)=sgn ay(xx)+b (1) 作的正误都会被实验软件自动记录并保存起来； 为减少判断低觉醒状态的“软件依赖”度，安排实 式中：a为支持向量系数；b为分类阈值；m为支 验操作人员在一旁监视并记录被试出现的状态， 持向量的个数。而对于线性不可分样本，则运用 最后综合实验操作员的监视和软件记录从采集 非线性变换映射到一个高维空间上，并在变换后 的EEG信号中挑选出两种状态的EEG信号。 的空间上求取一个最优的超平面，从而使得线性 3)特征量的计算流程：①对挑选出的EEG信 不可分样本变成线性可分样本，在高维空间计算 号，逐次采用矩形窗口进行截断，得长为256（方 时选取合适的核函数代替点积运算，再把状态分 便FFT计算)点的EEG序列；②运用FFT逐次求 为两类： 得每段EEG序列的频谱数据；③由频谱数据分别 计算重心频率、谱嫡；④按EEG节律从频谱数据 f(x)=sgn aiy:K(x.x)+b (2) 中分离0、α频带，计算它们的相对能量：⑤将 4.2 SVM的核函数及相应参数 4个特征量组成一个特征向量，供SVM系统学 在使用SVM训练和测试样本时要选择合适 习。经多次采集EEG信号实验，计算了320个特 的核函数，核函数的选取关系到SVM性能的好 征向量，表2为从中抽取的10个特征向量及其对 坏，这里选择使用最为广泛的径向基函数(radial 应的状态。 Basis function,RBF)为核函数，它能够适用于低维 表2两种状态中4个特征量的实验对照值 或高维、小样本或大样本等各种情况，能够实现 Table 2 Contrasts of the four characteristics about two 非线性映射，也具有较宽的收敛域，是一种理想 states 的分类函数。 特征量 选取RBF核函数后，SVM性能的优劣还取决 序号重心频率/ 相对 a相对 谱嫡值/ 状态 Hz 能量 能量 的 于两参数一宽度参数控制函数的径向作用范 围)和惩罚因子C,对于不同的一组(6，C)可得到 1 6.2012 0.1558 0.1210 1.1216 觉醒 性能不同的SVM。为了获取δ和C最佳的参数 2 6.9006 0.1818 0.1133 1.3402 觉醒 3 7.1093 0.1876 0.1215 1.4416 觉醒 组合，通过MATLAB软件编程并采用交叉验证 6.6421 0.1974 0.1282 1.1908 觉醒 方法1寻找最优的(6，C,经过计算求得=3.8， 6.9615 0.2044 0.1456 1.4240 觉醒 C=4。 6 4.7839 0.2141 0.0848 0.9376低觉醒 4.3两类特征向量的训练与测试 7 4.2239 0.2418 0.1062 0.8583 低觉醒 图4所示为计算的EEG信号两类状态的4对 5.4994 0.2420 0.0977 0.9855低觉醒 特征量的盒式图，从图可以看出，4对特征量中的 9 6.3813 0.2017 0.1242 1.1028 觉醒 两个盒子都有一部分重叠，因而就单个特征量而 10 5.2387 0.2553 0.1180 1.0522低觉醒 言难于区分低觉醒状态和觉醒状态，识别率不
通过实验设计、实验过程、特征向量的计算， 由模拟警戒实验获取两种状态的 EEG 特征向量。 1) 实验设计：实验操作指令由事先编制的测 试软件产生，软件运行时产生不同的警戒刺激 (实验选用驾驶员交通标志图片，包括红、绿灯， 左、右转弯等共 10 个图片)，刺激图片随机地出现 在屏幕中心，出现刺激的时间间隔亦为随机编 制；为确保被试在整个实验进程中能够出现觉醒 状态以及低觉醒状态，选择有午睡习惯的被试、在 午餐后时段 (13: 30~14: 30) 进行实验，时间约 60 min。 2) 实验过程：运行编制软件开始实验，同时 启动脑电仪采集 EEG 信号，采样频率为 100 Hz。 实验时要求被试注视电脑屏幕，眼睛距屏幕 60 cm， 根据屏幕中出现的警戒刺激的类型做出判断，依 据不同的判断和所对应的“按键”在电脑键盘上完 成按键操作，其中按键操作的反应时间、按键操 作的正误都会被实验软件自动记录并保存起来； 为减少判断低觉醒状态的“软件依赖”度，安排实 验操作人员在一旁监视并记录被试出现的状态， 最后综合实验操作员的监视和软件记录从采集 的 EEG 信号中挑选出两种状态的 EEG 信号。 3) 特征量的计算流程：①对挑选出的 EEG 信 号，逐次采用矩形窗口进行截断，得长为 256(方 便 FFT 计算) 点的 EEG 序列；②运用 FFT 逐次求 得每段 EEG 序列的频谱数据；③由频谱数据分别 计算重心频率、谱熵；④按 EEG 节律从频谱数据 中分离 θ、α 频带，计算它们的相对能量；⑤将 4 个特征量组成一个特征向量，供 SVM 系统学 习。经多次采集 EEG 信号实验，计算了 320 个特 征向量，表 2 为从中抽取的 10 个特征向量及其对 应的状态。 表 2 两种状态中 4 个特征量的实验对照值 Table 2 Contrasts of the four characteristics about two states 序号 特征量 重心频率/ 状态 Hz θ相对 能量 α相对 能量 谱熵值/ bit 1 6.201 2 0.155 8 0.121 0 1.121 6 觉醒 2 6.900 6 0.181 8 0.113 3 1.340 2 觉醒 3 7.109 3 0.187 6 0.121 5 1.441 6 觉醒 4 6.642 1 0.197 4 0.128 2 1.190 8 觉醒 5 6.961 5 0.204 4 0.145 6 1.424 0 觉醒 6 4.783 9 0.214 1 0.084 8 0.937 6 低觉醒 7 4.223 9 0.241 8 0.106 2 0.858 3 低觉醒 8 5.499 4 0.242 0 0.097 7 0.985 5 低觉醒 9 6.381 3 0.201 7 0.124 2 1.102 8 觉醒 10 5.238 7 0.255 3 0.118 0 1.052 2 低觉醒 4 SVM 特征识别模块 4.1 识别模型 ω ∗ x+b = 0 支持向量机 (support vector machine，SVM) 学 习方法与神经网络、遗传算法、人工智能等其他 学习方法相比，具有较好的推广能力和非线性处 理能力，已在分类 EEG 信号、识别人脸、融合数 据、估计函数等方面有广泛应用。SVM 是由 CORTES 等 [12] 根据统计学习理论提出的一种机器 学习方法，已在小样本、非线性及高维模式识别 中展现出独特的优势。使用 SVM 对被试各段 EEG 特征进行分类时，关键是构造一个判别函 数，将预分类的 EEG 特征量尽可能地区分为觉醒 状态类和低觉醒状态类，即由 EEG 的特征向量构 造超平面 ，并获取最优判别函数： f(x) = sgn ∑m i=1 a ∗ i yiφ(x, xi)+b ∗ (1) a ∗ i b 式中： 为支持向量系数； ∗ 为分类阈值；m 为支 持向量的个数。而对于线性不可分样本，则运用 非线性变换映射到一个高维空间上，并在变换后 的空间上求取一个最优的超平面，从而使得线性 不可分样本变成线性可分样本，在高维空间计算 时选取合适的核函数代替点积运算，再把状态分 为两类： f(x) = sgn ∑m i=1 a ∗ i yiK(x, xi)+b ∗ (2) 4.2 SVM 的核函数及相应参数 在使用 SVM 训练和测试样本时要选择合适 的核函数，核函数的选取关系到 SVM 性能的好 坏，这里选择使用最为广泛的径向基函数 (radial Basis function，RBF) 为核函数，它能够适用于低维 或高维、小样本或大样本等各种情况，能够实现 非线性映射，也具有较宽的收敛域，是一种理想 的分类函数。 选取 RBF 核函数后，SVM 性能的优劣还取决 于两参数—宽度参数 δ(控制函数的径向作用范 围) 和惩罚因子 C，对于不同的一组 (δ，C) 可得到 性能不同的 SVM。为了获取 δ 和 C 最佳的参数 组合， 通过 MATLAB 软件编程并采用交叉验证 方法[13] 寻找最优的 (δ，C)，经过计算求得 δ=3.8， C=4。 4.3 两类特征向量的训练与测试 图 4 所示为计算的 EEG 信号两类状态的 4 对 特征量的盒式图，从图可以看出，4 对特征量中的 两个盒子都有一部分重叠，因而就单个特征量而 言难于区分低觉醒状态和觉醒状态，识别率不 ·790· 智 能 系 统 学 报 第 14 卷
第4期 杨建平，等：低觉醒脑电识别与唤醒的可穿戴系统研究 ·791· 高，采用将4个特征量组合成一个特征向量。 入SVM进行训练、学习，使系统获得识别两类样 但图4中的每个特征都有一定的区分度，可 本特征向量的能力。另一方面，将实验计算的剩 将4个特征合成一个特征向量，从而获得更高的 余240个特征向量组成测试样本，作为SVM模式 区分度，更好地识别低觉醒状态。将实验获得的 识别系统的测试集。系统测试结果：240个样本 两类样本(4个特征量)选取80个EEG特征向量， 中正确识别218个，识别率90.8%，与单个特征量 作为SVM模式识别系统的训练集，将训练集输 相比识别率大幅提高。 6.5 0.5 6.0 05.5 5.0 0.3 4.5 4.0 0. 低觉醒状态 醒状态 低觉醒状态 觉醒状态 (a)重心频率盒 (b)0相对能量盒子 0.30 1.7 0.25 1.6 0.20 1.4 0.10 低觉醒状态 觉醒状态 低觉醒状态 觉醒状态 (c)a相对能量盒子 (d谱嫡盒子 图4特征向量的盒式图 Fig.4 Boxplots of characteristics 表3给出了本文系统与其他类似系统的实验 按键操 结果，从表中可以看出本文方法具有一定的优越性。 控端 表3本文系统与其他类似系统的比较 低觉醒状 智能语音 温馨报 Table 3 Comparison of this system with the others 态接收端 芯片 警提示 方法 实验结果 扩展功 SVM+EEG特征向量（本文方法） 识别率90.8% 能端 BP神经网络+嘴巴与眼睛状态) 识别率85.5% 图5语音报警模块 混合专家网络+EEG多参数 平均识别率81.3% Fig.5 The warning module of pronunciation 经验模态分解+呼吸信号冈 模拟实验验证能识别疲劳 在整个设计过程中考虑了人性化、智能化 实用性的要求。使用前预先录制、编译并载入语 5语音报警模块 音至报警模块，由录音设备录制的语音可以是时 长为几秒至200s的一个或多个片段，这些语音经 当警戒作业人员出现低觉醒状态时，使用语 过语音润色处理，增加人性化的工作环境。使用 音报警模块唤醒被监控者，以提升觉醒水平，其 过程中，当低觉醒状态接收端获得高电平脉冲 模块结构如图5所示，主要包括：1)低觉醒状态 (当警戒作业人员出现低觉醒状态时，由特征识别 接收端，接收特征识别模块的脉冲信号：2)按键 操控端，变换报警语音及音量等：3)智能语音芯 模块输入)时，将其输入智能语音芯片，启动 片，语音报警模块的核心部分，选用PM50系列的 语音报警。 智能语音芯片，由专用的语音单片机和FLASHRAM 6结束语 存储器集合构成：4)扩展功能端，供人性化、智能 化设计时扩展功能使用；5)温馨报警提示，接收 本文通过信号处理手段计算了警戒状态下被 语音信号并发出温馨的报警声音。 试EEG信号的0相对能量、α相对能量、重心频
高，采用将 4 个特征量组合成一个特征向量。 但图 4 中的每个特征都有一定的区分度，可 将 4 个特征合成一个特征向量，从而获得更高的 区分度，更好地识别低觉醒状态。将实验获得的 两类样本 (4 个特征量) 选取 80 个 EEG 特征向量， 作为 SVM 模式识别系统的训练集，将训练集输 入 SVM 进行训练、学习，使系统获得识别两类样 本特征向量的能力。另一方面，将实验计算的剩 余 240 个特征向量组成测试样本，作为 SVM 模式 识别系统的测试集。系统测试结果：240 个样本 中正确识别 218 个，识别率 90.8%，与单个特征量 相比识别率大幅提高。 6.0 6.5 5.5 5.0 4.5 4.0 低觉醒状态 (a) 重心频率盒子 重心频率 觉醒状态 0.5 0.4 0.3 0.2 低觉醒状态 (b) θ 相对能量盒子 θ 相对能量 觉醒状态 0.25 0.30 0.20 0.15 0.10 低觉醒状态 (c) α 相对能量盒子 α 相对能量 觉醒状态 1.6 1.7 1.5 1.4 1.2 1.3 低觉醒状态 (d) 谱熵盒子 谱熵值 觉醒状态 图 4 特征向量的盒式图 Fig. 4 Boxplots of characteristics 表 3 给出了本文系统与其他类似系统的实验 结果，从表中可以看出本文方法具有一定的优越性。 表 3 本文系统与其他类似系统的比较 Table 3 Comparison of this system with the others 方法 实验结果 SVM+EEG特征向量(本文方法) 识别率90.8% BP神经网络+嘴巴与眼睛状态[4] 识别率85.5% 混合专家网络+EEG多参数[14] 平均识别率81.3% 经验模态分解+呼吸信号[2] 模拟实验验证能识别疲劳 5 语音报警模块 当警戒作业人员出现低觉醒状态时，使用语 音报警模块唤醒被监控者，以提升觉醒水平，其 模块结构如图 5 所示，主要包括：1) 低觉醒状态 接收端，接收特征识别模块的脉冲信号；2) 按键 操控端，变换报警语音及音量等；3) 智能语音芯 片，语音报警模块的核心部分，选用 PM50 系列的 智能语音芯片，由专用的语音单片机和 FLASHRAM 存储器集合构成；4) 扩展功能端，供人性化、智能 化设计时扩展功能使用；5) 温馨报警提示，接收 语音信号并发出温馨的报警声音。 低觉醒状 态接收端 智能语音 芯片 温馨报 警提示 扩展功 能端 按键操 控端 图 5 语音报警模块 Fig. 5 The warning module of pronunciation 在整个设计过程中考虑了人性化、智能化、 实用性的要求。使用前预先录制、编译并载入语 音至报警模块，由录音设备录制的语音可以是时 长为几秒至 200 s 的一个或多个片段，这些语音经 过语音润色处理，增加人性化的工作环境。使用 过程中，当低觉醒状态接收端获得高电平脉冲 (当警戒作业人员出现低觉醒状态时，由特征识别 模块输入 ) 时，将其输入智能语音芯片，启动 语音报警。 6 结束语 本文通过信号处理手段计算了警戒状态下被 试 EEG 信号的 θ 相对能量、α 相对能量、重心频 第 4 期 杨建平，等：低觉醒脑电识别与唤醒的可穿戴系统研究 ·791·
·792· 智能系统学报 第14卷 率、谱熵等特征量，运用支持向量机识别低觉醒 [8]齐晴，高举，王敏，等.融合视频与生物电信息的驾驶员 状态，能够在线处理EEG信号并对出现的低觉 状态监测与预警系统).工业控制计算机，2016,29(12)： 醒状态进行自动识别和报警提示。该监测与唤 71-73 QI Qing,GAO Ju,WANG Min,et al.Driving state monit- 醒系统能够广泛应用于各类警戒作业中，切实提 oring and warning system by video and bio-electricity in- 高自动化的生产效率，文中的数据也为表征警戒 formation[J].Industrial control computer,2016,29(12): 作业人员的低觉醒状态提供了一类客观、定量 71-73. 的指标。 [9]SUBASIA.Automatic recognition of alertness level from EEG by using neural network and wavelet coefficients[J] 参考文献： Expert systems with applications,2005,28(4):701-711. [10]RESALAT S N.SABA V.A practical method for driver [1]程文东，付锐，袁伟，等.驾驶人疲劳监测预警技术研究 sleepiness detection by processing the EEG signals stimu- 与应用综述[].中国安全科学学报，2013,23(1)： lated with external flickering light[J].Signal,image and 155-160 video processing,2015,9(8):1751-1757. CHENG Wendong,FU Rui,YUAN Wei,et al.Overview [11]BAKO L.GYORGY-MOZES E.BRASSAI S T.et al. of researches on driver fatigue monitoring and prewarning Neural network parallelization on FPGA platform for technologies and their applications[].China safety sci- ence journal,.2013,23(1):155-160. EEG signal classification[Cl//Proceedings of the 6th Edi- [2]祝宇虹，刘海平，查富生，等.基于呼吸信号的驾驶员疲 tion of the Interdisciplinarity in Engineering International 劳状态实时监测系统).江南大学学报（自然科学版）， Conference.Romania.2012. 2014,13(1):55-59 [12]CORTES C,VAPNIK V.Support-vector networks[J]. ZHU Yuhong,LIU Haiping,ZHA Fusheng,et al.Real- Machine learning,1995,20(3):273-297. time monitoring system for driver's fatigue states based on [13]AN Senjian,LIU Wanquan,VENKATESH S.Fast cross- respiratory signal[J].Journal of Jiangnan University (natur- validation algorithms for least squares support vector ma- al science edition),2014,13(1):55-59. chine and kernel ridge regression[J.Pattern recognition. [3]张淑清，上官寒露，袁计委，等.基于内禀模态能量比呼 2007,40(8):21542162. 吸信号特征参数提取方法[J].仪器仪表学报，2010， [14]刘佳兴，王炜.基于多参数融合的疲劳驾驶监测及预警 31(8):1706-1711 系统).计算机仿真，2013,30(5)：171-175,207 ZHANG Shuqing,SHANGGUAN Hanlu,YUAN Jiwei,et al. LIU Jiaxing,WANG Wei.Driver fatigue monitoring and Study on the extraction method of characteristic paramet- warning system based on multi-parameter fusion[J].Com- ers of respiration signals based on intrinsic mode energy puter simulation,2013,30(5):171-175,207. ratio[J].Chinese journal of scientific instrument,2010, 31(8):1706-1711. 作者简介： [4]杨英，盛敬，杨佳，等.基于神经网络的驾驶员觉醒水平 杨建平，男，1970年生，副教授， 双目标监测法[】.东北大学学报（自然科学版），2007， 主要研究方向为人工神经网络、模式 28(3):418-421 识别、智能信息处理。发表学术论文 YANG Ying,SHENG Jing,YANG Jia,et al.Double-ob- 20余篇。 jective detection based on neural network for driver's alert level[J].Journal of Northeastern University (natural sci- ence),2007,28(3):418-421. [5]高春芳，吕宝粮，马家昕.一种用小波包变换提取眼电信 刘明华，男，1975年生，副教授， 号警觉度特征的方法).中国生物医学工程学报，2012， 博士，主要研究方向为非线性电路与 31(5):641-648. 系统、智能信息处理。发表学术论文 GAO Chunfang,LYU Baoliang,MA Jiaxin.A new meth- 近20篇。 od of extracting vigilant feature from electrooculography using wavelet packet transform[J].Chinese journal of bio- medical engineering,2012,31(5):641-648. [6]LEE B G,PARK J H,PU CC,et al.Smartwatch-based driver vigilance indicator with kernel-fuzzy-C-means- 吕敬祥，男，1977年生，讲师，博 wavelet method[J].IEEE sensors journal,2016,16(1): 土，主要研究方向为无线传感网路由 242-253. 协议及数据融合。发表学术论文 [7]BALASUBRAMANIAN V,ADALARASU K.EMG- 20余篇。 based analysis of change in muscle activity during simu- lated driving[J].Journal of bodywork and movement ther- apies,,2007,11(2y:151-158
率、谱熵等特征量，运用支持向量机识别低觉醒 状态，能够在线处理 EEG 信号并对出现的低觉 醒状态进行自动识别和报警提示。该监测与唤 醒系统能够广泛应用于各类警戒作业中，切实提 高自动化的生产效率，文中的数据也为表征警戒 作业人员的低觉醒状态提供了一类客观、定量 的指标。 参考文献： 程文东, 付锐, 袁伟, 等. 驾驶人疲劳监测预警技术研究 与应用综述 [J]. 中国安全科学学报, 2013, 23(1): 155–160. CHENG Wendong, FU Rui, YUAN Wei, et al. Overview of researches on driver fatigue monitoring and prewarning technologies and their applications[J]. China safety science journal, 2013, 23(1): 155–160. [1] 祝宇虹, 刘海平, 查富生, 等. 基于呼吸信号的驾驶员疲 劳状态实时监测系统 [J]. 江南大学学报(自然科学版), 2014, 13(1): 55–59. ZHU Yuhong, LIU Haiping, ZHA Fusheng, et al. Realtime monitoring system for driver’s fatigue states based on respiratory signal[J]. Journal of Jiangnan University (natural science edition), 2014, 13(1): 55–59. [2] 张淑清, 上官寒露, 袁计委, 等. 基于内禀模态能量比呼 吸信号特征参数提取方法 [J]. 仪器仪表学报, 2010, 31(8): 1706–1711. ZHANG Shuqing, SHANGGUAN Hanlu, YUAN Jiwei, et al. Study on the extraction method of characteristic parameters of respiration signals based on intrinsic mode energy ratio[J]. Chinese journal of scientific instrument, 2010, 31(8): 1706–1711. [3] 杨英, 盛敬, 杨佳, 等. 基于神经网络的驾驶员觉醒水平 双目标监测法 [J]. 东北大学学报(自然科学版), 2007, 28(3): 418–421. YANG Ying, SHENG Jing, YANG Jia, et al. Double-objective detection based on neural network for driver’s alert level[J]. Journal of Northeastern University (natural science), 2007, 28(3): 418–421. [4] 高春芳, 吕宝粮, 马家昕. 一种用小波包变换提取眼电信 号警觉度特征的方法 [J]. 中国生物医学工程学报, 2012, 31(5): 641–648. GAO Chunfang, LYU Baoliang, MA Jiaxin. A new method of extracting vigilant feature from electrooculography using wavelet packet transform[J]. Chinese journal of biomedical engineering, 2012, 31(5): 641–648. [5] LEE B G, PARK J H, PU C C, et al. Smartwatch-based driver vigilance indicator with kernel-fuzzy-C-meanswavelet method[J]. IEEE sensors journal, 2016, 16(1): 242–253. [6] BALASUBRAMANIAN V, ADALARASU K. EMGbased analysis of change in muscle activity during simulated driving[J]. Journal of bodywork and movement therapies, 2007, 11(2): 151–158. [7] 齐晴, 高举, 王敏, 等. 融合视频与生物电信息的驾驶员 状态监测与预警系统 [J]. 工业控制计算机, 2016, 29(12): 71–73. QI Qing, GAO Ju, WANG Min, et al. Driving state monitoring and warning system by video and bio-electricity information[J]. Industrial control computer, 2016, 29(12): 71–73. [8] SUBASI A. Automatic recognition of alertness level from EEG by using neural network and wavelet coefficients[J]. Expert systems with applications, 2005, 28(4): 701–711. [9] RESALAT S N, SABA V. A practical method for driver sleepiness detection by processing the EEG signals stimulated with external flickering light[J]. Signal, image and video processing, 2015, 9(8): 1751–1757. [10] BAKÓ L, GYÖRGY-MÓZES E, BRASSAI S T, et al. Neural network parallelization on FPGA platform for EEG signal classification[C]//Proceedings of the 6th Edition of the Interdisciplinarity in Engineering International Conference. Romania, 2012. [11] CORTES C, VAPNIK V. Support-vector networks[J]. Machine learning, 1995, 20(3): 273–297. [12] AN Senjian, LIU Wanquan, VENKATESH S. Fast crossvalidation algorithms for least squares support vector machine and kernel ridge regression[J]. Pattern recognition, 2007, 40(8): 2154–2162. [13] 刘佳兴, 王炜. 基于多参数融合的疲劳驾驶监测及预警 系统 [J]. 计算机仿真, 2013, 30(5): 171–175, 207. LIU Jiaxing, WANG Wei. Driver fatigue monitoring and warning system based on multi-parameter fusion[J]. Computer simulation, 2013, 30(5): 171–175, 207. [14] 作者简介： 杨建平，男，1970 年生，副教授， 主要研究方向为人工神经网络、模式 识别、 智能信息处理。发表学术论文 20 余篇。 刘明华，男，1975 年生，副教授， 博士，主要研究方向为非线性电路与 系统、智能信息处理。发表学术论文 近 20 篇。 吕敬祥，男，1977 年生，讲师，博 士，主要研究方向为无线传感网路由 协议及数据融合。发表学术论文 20 余篇。 ·792· 智 能 系 统 学 报 第 14 卷