(1.浙江工業(yè)大學(xué) 經(jīng)貿(mào)管理學(xué)院，杭州 330014; 2.浙江工業(yè)大學(xué) 軟件學(xué)院，杭州 330014)

0 引言

疲勞是由長(zhǎng)期高強(qiáng)度工作下引起的主觀(guān)不適感覺(jué)，具體表現(xiàn)在注意力難以集中、反應(yīng)遲鈍等癥狀，給人們正常生活帶來(lái)不便，嚴(yán)重時(shí)甚至?xí)鹇云诘燃膊。虼?，?duì)于疲勞狀態(tài)進(jìn)行檢測(cè)可預(yù)防該類(lèi)疾病的發(fā)生。腦電信號(hào)是由生物體腦部皮層神經(jīng)產(chǎn)生的生物電信號(hào)，與腦部活動(dòng)密切相關(guān)，可直接反映生物體精神狀態(tài)，可作為精神疲勞評(píng)價(jià)指標(biāo)[1]。雖然疲勞是主觀(guān)不適感覺(jué)，但是在客觀(guān)同等條件下會(huì)影響原來(lái)所從事的正?；顒?dòng)能力。疲勞主要表現(xiàn)結(jié)果是精力不集中、反應(yīng)遲緩、預(yù)測(cè)能力下降。如果人們?cè)谡９ぷ髦谐霈F(xiàn)疲勞，不僅會(huì)降低工作效率，還容易出現(xiàn)重大交通事故問(wèn)題，嚴(yán)重威脅人們生命安全。精神疲勞對(duì)人們正常工作帶來(lái)了極大影響，其產(chǎn)生的機(jī)理還處于研究與探索階段，從理論角度分析還難以做出準(zhǔn)確描述，而從現(xiàn)象角度分析也具有較大個(gè)體差異，這給預(yù)防精神疲勞所引起的疾病帶來(lái)較大難題，因此有必要建立一個(gè)定量、可觀(guān)疲勞檢測(cè)系統(tǒng)[2]?，F(xiàn)有大多數(shù)疲勞檢測(cè)系統(tǒng)僅適用于個(gè)別疲勞狀態(tài)的檢測(cè)，致使該類(lèi)方法目前尚未形成有效且統(tǒng)一評(píng)價(jià)標(biāo)準(zhǔn)。采用傳統(tǒng)面部特征檢測(cè)系統(tǒng)對(duì)人臉各個(gè)器官進(jìn)行定位，容易受到環(huán)境、光照因素影響，導(dǎo)致系統(tǒng)檢測(cè)精準(zhǔn)度較低；相比較來(lái)說(shuō)，設(shè)計(jì)深度信念網(wǎng)絡(luò)的腦電信號(hào)疲勞檢測(cè)系統(tǒng)，不會(huì)受到測(cè)試環(huán)境限制，可檢測(cè)日常工作中的精神疲勞，具有良好普適性[3]。

1 系統(tǒng)整體結(jié)構(gòu)設(shè)計(jì)

深度信念網(wǎng)絡(luò)是一個(gè)概率生成模型，該模型是在數(shù)據(jù)觀(guān)察與標(biāo)簽聯(lián)合分布基礎(chǔ)上建立的，與傳統(tǒng)判別神經(jīng)網(wǎng)絡(luò)模型相比，其判別是具有全面性的。深度信念網(wǎng)絡(luò)是由多個(gè)限制玻爾茲曼機(jī)組成的，具體分為兩個(gè)層次，分別是可視層和隱藏層，屬于典型網(wǎng)絡(luò)結(jié)構(gòu)。雖然可視層和隱藏層表面是具有密切關(guān)系的，但實(shí)際上，兩個(gè)層次內(nèi)部結(jié)構(gòu)是完全不相關(guān)的，其中隱藏層單元被單獨(dú)訓(xùn)練捕捉相關(guān)高階數(shù)據(jù)[4]。在該網(wǎng)絡(luò)條件下，設(shè)計(jì)腦電信號(hào)疲勞檢測(cè)系統(tǒng)，可直觀(guān)反映出腦部神經(jīng)細(xì)胞活動(dòng)特征，精準(zhǔn)表達(dá)精神狀態(tài)。

腦電圖可通過(guò)腦電極記錄相關(guān)腦細(xì)胞群發(fā)性與節(jié)律性，是腦內(nèi)大量神經(jīng)元活動(dòng)綜合反映，而腦機(jī)能狀態(tài)變化可引起腦電圖發(fā)生改變[5]。雖然腦電信號(hào)經(jīng)過(guò)顱骨、軟組織、頭皮，在空間上彌散開(kāi)來(lái)，并和皮層其它位置信號(hào)相互混合，使頭皮記錄的電信號(hào)成為皮層電信號(hào)的混合體，使腦電圖在空間上變得極為模糊?；诓煌枨?，人們?cè)O(shè)計(jì)出多種腦-機(jī)接口原型系統(tǒng)。該系統(tǒng)通常是有輸入、輸出、信號(hào)處理與轉(zhuǎn)換模型組成的，其中輸入環(huán)節(jié)可產(chǎn)生某種特性腦部活動(dòng)特征信號(hào)，而信號(hào)處理是將連續(xù)的特征信號(hào)轉(zhuǎn)換為某些特征參數(shù)數(shù)字信號(hào)，方便讀取與處理，并對(duì)數(shù)字信號(hào)進(jìn)行識(shí)別與分類(lèi)[6]。

采集腦電信號(hào)，利用疲勞實(shí)時(shí)檢測(cè)系統(tǒng)進(jìn)行在線(xiàn)分析，通過(guò)對(duì)分析結(jié)果總結(jié)來(lái)驗(yàn)證該系統(tǒng)有效性，整個(gè)系統(tǒng)結(jié)構(gòu)示意圖如圖1所示。

圖1 系統(tǒng)整體結(jié)構(gòu)示意圖

由圖1可知：腦-機(jī)接口在人腦與計(jì)算機(jī)之間建立直接交流通道，通過(guò)該通道人可直接通過(guò)大腦來(lái)表達(dá)想法，而不需要語(yǔ)言或動(dòng)作，有效增強(qiáng)外界交流與外部環(huán)境能力，提高使用者活動(dòng)便攜性。在大腦產(chǎn)生動(dòng)作意識(shí)之后，其腦電信號(hào)會(huì)發(fā)生相應(yīng)改變，這種變化可通過(guò)一定方式檢測(cè)出來(lái)，并作為動(dòng)作發(fā)出特征信號(hào)，通過(guò)特征信號(hào)進(jìn)行分類(lèi)識(shí)別，分辨出引發(fā)腦電變化動(dòng)作示意圖，之后還可以通過(guò)接口轉(zhuǎn)化，將人的思維活動(dòng)轉(zhuǎn)換為命令信號(hào)驅(qū)動(dòng)設(shè)備，實(shí)現(xiàn)無(wú)肌肉和外圍神經(jīng)參與下的疲勞檢測(cè)[7]。

2 系統(tǒng)硬件模塊設(shè)計(jì)

疲勞檢測(cè)系統(tǒng)硬件結(jié)構(gòu)通常是由信號(hào)采集、顯示輸出、同步邏輯控制、圖像分析和處理、結(jié)果顯示與報(bào)警組成的，具體設(shè)計(jì)如圖2所示。

圖2 疲勞檢測(cè)系統(tǒng)硬件結(jié)構(gòu)

采用seed-vpm642作為硬件平臺(tái)，設(shè)計(jì)硬件結(jié)構(gòu)，支持4路制式信號(hào)輸入。采用型號(hào)為T(mén)MS320DM642的DSP數(shù)字信號(hào)處理器和TVP5150型號(hào)信號(hào)編碼器，可直接與信號(hào)解碼器接口相連接，根據(jù)不同應(yīng)用，編制不同處理程序，可實(shí)現(xiàn)各類(lèi)信號(hào)處理，具有較大靈活性。

2.1 采集模塊設(shè)計(jì)

硬件結(jié)構(gòu)中的采集模塊原理是通過(guò)CCD采集到連續(xù)特征信號(hào)，經(jīng)過(guò)A/D信號(hào)轉(zhuǎn)換，變成數(shù)字信號(hào)形式。通過(guò)數(shù)據(jù)處理模塊對(duì)信號(hào)進(jìn)行處理[8]。

在該模塊設(shè)計(jì)過(guò)程中，采用某公司生產(chǎn)的SAA7115型號(hào)解碼器完成數(shù)字化信號(hào)分離，采集模塊電路圖如圖3所示。

圖3 采集模塊電路圖

由圖3可知：采用型號(hào)為T(mén)MS320DM642的DSP數(shù)字信號(hào)處理器，可連接所有信號(hào)端口，在設(shè)計(jì)過(guò)程中，將信號(hào)輸入端口進(jìn)行編號(hào)，分別為0和1，而端口2作為信號(hào)顯示端口。其中端口1通過(guò)RCA類(lèi)型插座連接低噪聲的Video接口，輸入的信號(hào)必須為合成信號(hào)，通過(guò)I2C總線(xiàn)接口實(shí)現(xiàn)存儲(chǔ)器串行擴(kuò)展，增加輸出傳輸速度，提高信號(hào)采集精準(zhǔn)度。

2.2 顯示模塊設(shè)計(jì)

將TMS320DM642信號(hào)端口與編碼器相連接，利用現(xiàn)場(chǎng)可編程門(mén)陣列FPGA，在默認(rèn)條件下可通過(guò)SAA7105編碼器進(jìn)行復(fù)合信號(hào)編碼。FPGA為系統(tǒng)提供了FIFOs，可將信號(hào)端口2數(shù)據(jù)與FIFOs端口數(shù)據(jù)相混合，將混合數(shù)據(jù)通過(guò)空間同步模式EMIF輸出到外部存儲(chǔ)器接口進(jìn)行存取。

采用seed-vpm642硬件平臺(tái)，設(shè)計(jì)硬件結(jié)構(gòu)，根據(jù)CCD采集連續(xù)特征信號(hào)工作原理，將特征信號(hào)轉(zhuǎn)變成數(shù)字信號(hào)，通過(guò)信號(hào)預(yù)處理、分割、特征提出與識(shí)別，實(shí)現(xiàn)數(shù)字化信號(hào)分離。采用型號(hào)為T(mén)MS320DM642的DSP數(shù)字信號(hào)處理器，可對(duì)端口1的信號(hào)進(jìn)行合成，對(duì)端口2的信號(hào)進(jìn)行復(fù)合信號(hào)編碼，通過(guò)DM642I2C總線(xiàn)進(jìn)行配置，將混合數(shù)據(jù)存儲(chǔ)到外部存儲(chǔ)器處，由此完成系統(tǒng)硬件模塊設(shè)計(jì)。

3 系統(tǒng)軟件功能設(shè)計(jì)

系統(tǒng)軟件功能設(shè)計(jì)可將深度信念網(wǎng)絡(luò)訓(xùn)練分成兩個(gè)階段，分別是非監(jiān)督貪婪逐層訓(xùn)練和監(jiān)督訓(xùn)練。通過(guò)非監(jiān)督貪婪逐層訓(xùn)練方法去訓(xùn)練每一層以獲取生物模型權(quán)值，再通過(guò)監(jiān)督訓(xùn)練對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行調(diào)整。

由于深度信念網(wǎng)絡(luò)含有多個(gè)神經(jīng)元，在計(jì)算過(guò)程中將每層輸出都作為下層網(wǎng)絡(luò)輸入，通過(guò)每層參數(shù)來(lái)設(shè)置最底層輸入的腦電信號(hào)數(shù)據(jù)。可視層與第一層隱藏層形成一個(gè)受限玻爾茲曼機(jī)，通過(guò)貪婪逐層訓(xùn)練方法使受限玻爾茲曼機(jī)達(dá)到能量平衡狀態(tài)，并將訓(xùn)練結(jié)果輸出，即隱藏層作為下一個(gè)受限玻爾茲曼機(jī)的輸入，并單獨(dú)進(jìn)行參數(shù)調(diào)整，促使第2個(gè)受限玻爾茲曼機(jī)也能達(dá)到能量平衡，使用同樣方法進(jìn)行訓(xùn)練，直到最后一個(gè)受限玻爾茲曼機(jī)訓(xùn)練完成[9]。

將受限玻爾茲曼機(jī)提取的特征向量進(jìn)行分類(lèi)，調(diào)整深度信念網(wǎng)絡(luò)，具體訓(xùn)練過(guò)程為：先通過(guò)正向傳輸，將輸入特征向量沿著輸入端傳輸?shù)捷敵龆?；再通過(guò)反向傳輸，降低輸出誤差，由此獲取的數(shù)據(jù)可從輸出端反向傳輸?shù)捷斎攵?，以此修改深度信念網(wǎng)絡(luò)參數(shù)。

通過(guò)大腦發(fā)送的特征信號(hào)對(duì)其疲勞程度進(jìn)行檢測(cè)與跟蹤，獲取腦電信號(hào)特征參數(shù)，以此判斷測(cè)試者是否疲勞，整個(gè)軟件設(shè)計(jì)流程如圖4所示。

圖4 軟件設(shè)計(jì)流程

根據(jù)硬件結(jié)構(gòu)中的采集模塊，獲取精準(zhǔn)數(shù)據(jù)。由于腦電信號(hào)包含隨機(jī)成分，因此在大腦處于疲勞狀態(tài)時(shí)，腦電信號(hào)復(fù)雜程度將會(huì)降低，信號(hào)呈規(guī)律性波形。因此，需對(duì)腦電時(shí)間序列近似熵進(jìn)行分析，并提取相關(guān)未疲勞非線(xiàn)性特征，通過(guò)腦電波動(dòng)指數(shù)，實(shí)現(xiàn)疲勞檢測(cè)。

(1)近似熵。

使用近似熵定量描述時(shí)間序列的非線(xiàn)性動(dòng)力學(xué)參數(shù)，其是一個(gè)非負(fù)數(shù)，可表示時(shí)間過(guò)程復(fù)雜程度，衡量時(shí)間序列中新特征出現(xiàn)的概率。在既定時(shí)間序列{a(x),x=1,...,Y}下，近似熵表示特征維數(shù)變化時(shí)間序列中所產(chǎn)生新模式概率大小，并反映出自相似程序，與其他非線(xiàn)性動(dòng)力學(xué)參量相比，近似熵具有較強(qiáng)抗干擾能力。

(2)腦電波動(dòng)指數(shù)。

根據(jù)腦電時(shí)間序列近似熵分析結(jié)果，對(duì)腦電波動(dòng)指數(shù)進(jìn)行研究。當(dāng)大腦處于疲勞狀態(tài)下時(shí)，其產(chǎn)生慢波波形，對(duì)應(yīng)的頻率大小應(yīng)為5～35Hz。在深度信念網(wǎng)絡(luò)下，分解多尺度腦電信號(hào)，選擇頻段在該范圍內(nèi)的尺度分量。通常情況下，疲勞狀態(tài)下的腦電信號(hào)波動(dòng)比未疲勞狀態(tài)下的腦電信號(hào)波動(dòng)較為劇烈，因此通過(guò)波動(dòng)指數(shù)來(lái)說(shuō)明腦電信號(hào)變化強(qiáng)度，計(jì)算公式如下所示：

(1)

公式(1)中：rk表示第k尺度上重構(gòu)信號(hào)幅度；L表示腦電信號(hào)波長(zhǎng)。

根據(jù)腦電信號(hào)變化強(qiáng)度，區(qū)分疲勞和未疲勞狀態(tài)下腦電信號(hào)特征，以此完成系統(tǒng)軟件功能設(shè)計(jì)。

4 數(shù)值實(shí)驗(yàn)分析

針對(duì)基于深度信念網(wǎng)絡(luò)的腦電信號(hào)疲勞檢測(cè)系統(tǒng)設(shè)計(jì)是否合理，進(jìn)行數(shù)值實(shí)驗(yàn)進(jìn)行分析。

4.1 參數(shù)設(shè)置

實(shí)驗(yàn)參數(shù)設(shè)置如表1所示。

表1 實(shí)驗(yàn)參數(shù)設(shè)置

根據(jù)實(shí)驗(yàn)參數(shù)，對(duì)數(shù)據(jù)進(jìn)行采集。

4.2 數(shù)據(jù)采集

為了保證腦電信號(hào)的可靠性，要求采集環(huán)境必須是在無(wú)高頻輻射環(huán)境下進(jìn)行，并保證光線(xiàn)適中、通風(fēng)順暢，不會(huì)影響腦電信號(hào)突變。

實(shí)驗(yàn)選擇9位受試者進(jìn)行腦電信號(hào)采集，在實(shí)驗(yàn)前，要求這9位受試者，在12小時(shí)內(nèi)不可進(jìn)食，并保證充足睡眠。而在實(shí)驗(yàn)過(guò)程中，保證這9位受試者不進(jìn)行任何大幅度運(yùn)動(dòng)，避免數(shù)據(jù)采集結(jié)果不精準(zhǔn)問(wèn)題的出現(xiàn)。

設(shè)置3種信號(hào)采集方式，分別是運(yùn)動(dòng)開(kāi)始和停止信號(hào)采集、運(yùn)動(dòng)前進(jìn)和后退信號(hào)采集、運(yùn)動(dòng)左轉(zhuǎn)和右轉(zhuǎn)信號(hào)采集，具體采集流程如圖5所示。

圖5 具體采集流程

由圖5可知：在實(shí)驗(yàn)開(kāi)始階段，進(jìn)行第一種腦電信號(hào)采集，在此過(guò)程中，需要測(cè)試者保持全身心放松狀態(tài)，保證大腦處于放空模式。在時(shí)間為6 s時(shí)，測(cè)試者將會(huì)開(kāi)始運(yùn)動(dòng)；在時(shí)間為8 s時(shí)，測(cè)試者將會(huì)停止運(yùn)動(dòng)；在時(shí)間為12 s時(shí)，測(cè)試者依然停止運(yùn)動(dòng)，進(jìn)入休息狀態(tài)；

同理，在第2種腦電信號(hào)采集與第3種腦電信號(hào)采集過(guò)程都與第一種腦電信號(hào)采集過(guò)程大體相似，只有第2種采集時(shí)間為12 s時(shí)，測(cè)試者將會(huì)進(jìn)行后退運(yùn)動(dòng)；在時(shí)間為14 s時(shí)，測(cè)試者再次停止試驗(yàn)，進(jìn)入休息狀態(tài)；在時(shí)間為16 s時(shí)，測(cè)試者將會(huì)進(jìn)行左轉(zhuǎn)運(yùn)動(dòng)；在時(shí)間為18 s時(shí)，測(cè)試者停止試驗(yàn)；在時(shí)間為20 s時(shí)，測(cè)試者進(jìn)行右轉(zhuǎn)運(yùn)動(dòng)；在時(shí)間為22 s時(shí)，測(cè)試者停止試驗(yàn)，進(jìn)入休息狀態(tài)。

通過(guò)上述實(shí)驗(yàn)內(nèi)容，對(duì)測(cè)試者不同程度腦電信號(hào)進(jìn)行采集，并對(duì)數(shù)據(jù)進(jìn)行初步處理。實(shí)驗(yàn)數(shù)據(jù)樣本具有3種，分別是第一種數(shù)據(jù)中的7～8 s和9～10 s之間數(shù)據(jù)、第2種數(shù)據(jù)中的7～8 s、9～10 s和13～15 s之間數(shù)據(jù)、第3種數(shù)據(jù)中的7～8 s、9～10 s、13～15 s、19～21 s之間數(shù)據(jù)。本次實(shí)驗(yàn)采用Biosemi便攜腦電采集儀，具有128 Hz采樣頻率，為了使實(shí)驗(yàn)效果更加準(zhǔn)確，從3種數(shù)據(jù)中采集了27個(gè)數(shù)據(jù)作為實(shí)驗(yàn)樣本，共分為3種，其中每種都包含了9個(gè)數(shù)據(jù)樣本。

4.3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證深度信念網(wǎng)絡(luò)下的系統(tǒng)(DBN)疲勞檢測(cè)效果，將基于深度信念網(wǎng)絡(luò)下檢測(cè)系統(tǒng)作為實(shí)驗(yàn)組，選擇基于支持向量機(jī)檢測(cè)系統(tǒng)(SVM)、面部特征檢測(cè)系統(tǒng)(Ff)、基于特征數(shù)據(jù)檢測(cè)系統(tǒng)(Fd)作為對(duì)照組。深度信念網(wǎng)絡(luò)在進(jìn)行腦電信號(hào)分類(lèi)時(shí)，需對(duì)各個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)和權(quán)值衰減情況進(jìn)行設(shè)置與分析。由于深度信念網(wǎng)絡(luò)每層節(jié)點(diǎn)數(shù)量較為龐大，對(duì)于有效節(jié)點(diǎn)選擇極為困難，選擇節(jié)點(diǎn)數(shù)量過(guò)多，將會(huì)影響原始信息表達(dá)能力，但選擇節(jié)點(diǎn)數(shù)量過(guò)少，又會(huì)導(dǎo)致大量信息丟失。因此，通過(guò)反復(fù)實(shí)驗(yàn)確定網(wǎng)絡(luò)既具備泛化能力，又不丟失信息，需在各層安置節(jié)點(diǎn)數(shù)量為800、500、300，保證網(wǎng)絡(luò)具有良好識(shí)別效率。

深度信念網(wǎng)絡(luò)學(xué)習(xí)效率與權(quán)值緊密相連，學(xué)習(xí)效率太大則會(huì)導(dǎo)致權(quán)值過(guò)大，影響結(jié)果精準(zhǔn)度，因此，應(yīng)保證網(wǎng)絡(luò)處于緩慢收斂狀態(tài)，設(shè)置學(xué)習(xí)效率為0.1。深度信念網(wǎng)絡(luò)中權(quán)值發(fā)生改變，通常需要加入較大懲罰因子，避免系統(tǒng)擬合狀態(tài)。對(duì)于第一種腦電信號(hào)只需分類(lèi)運(yùn)行開(kāi)始與停止，對(duì)9位測(cè)試者在不同系統(tǒng)下疲勞檢測(cè)效率進(jìn)行對(duì)比分析，結(jié)果如表2所示。

由表2可知：對(duì)不同測(cè)試者疲勞情況進(jìn)行檢測(cè)，發(fā)現(xiàn)SVM系統(tǒng)、Fd系統(tǒng)和Ff系統(tǒng)檢測(cè)效率都比DBN系統(tǒng)檢測(cè)效率低。當(dāng)通過(guò)Ff系統(tǒng)檢測(cè)時(shí)，測(cè)試者E1，檢測(cè)效率最高，為0.712；測(cè)試者E9，檢測(cè)效率最低，為0.541。而通過(guò)DBN檢測(cè)時(shí)，測(cè)試者E4，檢測(cè)效率最高，為0.967；測(cè)試者E6，檢測(cè)效率最低，為0.897。

針對(duì)第2種、第3種腦電信號(hào)，對(duì)9位測(cè)試者在不同系統(tǒng)下疲勞檢測(cè)效率進(jìn)行對(duì)比分析，結(jié)果如表3～4所示。

表2 第一種腦電信號(hào)不同系統(tǒng)下疲勞檢測(cè)效率對(duì)比分析

表3 第2種腦電信號(hào)不同系統(tǒng)下疲勞檢測(cè)效率對(duì)比分析

表4 第3種腦電信號(hào)不同系統(tǒng)下疲勞檢測(cè)效率對(duì)比分析

由表3可知：當(dāng)通過(guò)Ff系統(tǒng)檢測(cè)時(shí)，測(cè)試者F7檢測(cè)效率最高，為0.451；測(cè)試者F4檢測(cè)效率最低，為0.227。而當(dāng)通過(guò)BDN系統(tǒng)檢測(cè)時(shí)，測(cè)試者F1，DBN系統(tǒng)檢測(cè)效率最高，為0.995；測(cè)試者F8檢測(cè)效率最低，為0.925。

由表4可知：當(dāng)通過(guò)Ff系統(tǒng)檢測(cè)時(shí)，測(cè)試者G1檢測(cè)效率最高，為0.554；測(cè)試者G8檢測(cè)效率最低，為0.442。而當(dāng)通過(guò)BDN系統(tǒng)檢測(cè)時(shí)，測(cè)試者G9，DBN系統(tǒng)檢測(cè)效率最高，為0.924；測(cè)試者G1檢測(cè)效率最低，為0.857。

根據(jù)上述對(duì)比結(jié)果可知，DBN系統(tǒng)檢測(cè)效率比其它系統(tǒng)檢測(cè)效率要高。

4.4 實(shí)驗(yàn)結(jié)論

在不同腦電信號(hào)下，SVM系統(tǒng)、Ff系統(tǒng)和Fd系統(tǒng)檢測(cè)效率最高都沒(méi)有超過(guò)80%，而DBN系統(tǒng)檢測(cè)效率最低也超過(guò)85%，由此對(duì)比結(jié)果可知，采用基于深度信念網(wǎng)絡(luò)的腦電信號(hào)疲勞檢測(cè)系統(tǒng)設(shè)計(jì)是具有合理性的。

5 結(jié)束語(yǔ)

5.1 研究成果

結(jié)合深度信念網(wǎng)絡(luò)設(shè)計(jì)腦電信號(hào)疲勞檢測(cè)系統(tǒng)是一種全新思路，該網(wǎng)絡(luò)具備高維特征向量，具有較強(qiáng)特征學(xué)習(xí)能力。通過(guò)深度信念網(wǎng)絡(luò)能夠從腦電信號(hào)中提取相關(guān)特征數(shù)據(jù)，并正確分類(lèi)，經(jīng)過(guò)對(duì)不同被試進(jìn)行測(cè)試分析可知，采用該網(wǎng)絡(luò)設(shè)計(jì)的系統(tǒng)檢測(cè)效果優(yōu)于基于支持向量機(jī)檢測(cè)系統(tǒng)(SVM)、面部特征檢測(cè)系統(tǒng)(Ff)和基于特征數(shù)據(jù)檢測(cè)系統(tǒng)(Fd)，且最高檢測(cè)效率可達(dá)到0.995，具有良好檢測(cè)效果。

5.2 未來(lái)展望

雖然使用深度信念網(wǎng)絡(luò)能夠得到良好檢測(cè)效率，但是只是對(duì)小范圍內(nèi)的運(yùn)動(dòng)腦電信號(hào)進(jìn)行疲勞檢測(cè)，對(duì)于未來(lái)工作可從如下幾個(gè)方面進(jìn)行：利用電子設(shè)備采集更多樣本數(shù)據(jù)，結(jié)合深度信念網(wǎng)絡(luò)檢測(cè)復(fù)雜腦電信號(hào)，不斷優(yōu)化結(jié)構(gòu)參數(shù)，有效提高腦電信號(hào)疲勞檢測(cè)能力。