基于深度信念网络的脑电信号疲劳检测系统研究

周 扬

（湖南科技学院，湖南 永州 411201）

0 引言

基于深度信念网络展开脑电信号疲劳检测系统的设计和应用，相比于以往的疲劳检测系统，应用效能更强、检测效率更高，能够在短时间内实现脑电信号相关特征数据的高效检测，也不会因为检测环境的变化而受到影响，普适应较强，能够切实保障人们的生命财产安全。

1 深度信念网络的基本运作原理

深度信念网络最早在2006年由Hinton提出，通常是由多个受限玻尔兹曼机和一层分类器堆叠构成。现在已经广泛应用于社会生活的方方面面，如语音识别、生物特征识别和疾病预防检测等领域。受限玻尔兹曼机是由玻尔兹曼机演变发展而来，实现了应用效能的优化，受限玻尔兹曼机由可见层和隐含层构成，两个层体结构之间并没有任何直接关系，整个结构模型基于能量构建而成，每一种能量构成代表着不同的状态，能量值的高低也会直接反映模型结构本身的功能性和稳定性。

2 基于深度信念网络的脑电信号疲劳检测系统发展现状

现阶段，脑电信号疲劳检测系统处于不断发展过程中，还存在很大的进步发展空间，并未构建统一的评价标准。较多应用于个别疲劳状态的检测，需要工作人员不断加强技术研究，促使疲劳检测系统能够朝向高效化、智能化的方向发展。

基于深度信念网络的脑电信号疲劳检测系统与传统的疲劳检测系统相比，在检测效率和检测性能上都有所提升。疲劳驾驶检测通常都会采用面部识别的方法，通过人脸面部特征和信息识别，实现疲劳情况的实时检测，这个方法虽然能够快速采集人脸信息，但是很容易因为外界环境变化而受到影响，使实际检测效率降低。通过玻尔兹曼机在硬件采集模块中提取的信号实现脑电信号的实时检测，并能够就疲劳和未疲劳进行合理划分，促使整个信号检测系统的完成，为处于疲劳驾驶状态的工作人员予以生命安全保障。疲劳本身是由于长时间高强度工作引发的，主要表现为注意力不集中、日常工作反应慢，给人们的日常生活带来了许多不良影响，如果处于疲劳驾驶状态甚至会影响驾驶人员自身的生命安全[1]。

3 基于深度信念网络的脑电信号疲劳检测系统设计

3．1 脑电信号疲劳检测系统整体结构设计

需要明确的是，深度信念网络作为一种概率生成模型，与传统判别神经网络相比，具有多方面的性能优势。深层信念网络作为深度学习过程中关键的学习模型，近年来受到了广泛关注，能够将诸多受限玻尔兹曼机进行堆叠处理，在开展具体训练工作时可以按照由低到高的次序，对受限玻尔兹曼机进行训练。具体训练主要包括2个内容：预训练和精调。预训练通过无监督逐层学习的方法实现初始化网络结构参数设置。精调则是在模型最后通过应用反向传播算法，完成对系统全方位、多角度的微调处理。深层信念网络又可以将其划分为可视层和隐藏层两个层次。可视层和隐藏层表面保持着紧密联系，但是内部结构并不相关。在深度信念网络的条件下开展脑电信号疲劳检测系统的设计，能够促使检测系统的应用性能提高，更加直观精准地反映出测试对象的个人精神状态。

脑电信号疲劳检测系统，能够通过EEG采集仪实现对测试对象脑电信号的实时检测。通过接口构建脑电信号和机器之间的连接渠道，使个人能够直接表达自身想法，强化脑电信号的直观检测，当大脑产生相应的动作后，脑电信号也将会随之发生变化，传输到接口，之后通过预处理、特征参数计算、能量和疲劳指数计算，对个人疲劳程度预估和输出[2]。

3.2 脑电信号疲劳检测系统硬件模块设计

3．2．1 采集模块设计

基于深度信念网络将开展脑电信号疲劳检测系统的设计工作，主要包括信号采集、输出、图像处理、结果显示、预警报警以及同步逻辑控制。在整个系统设计过程中，可以采用seed-vpm642作为整个脑电信号疲劳检测系统应用模块平台，开展基本硬件结构的设计，并通过DSP数字信号处理器和信号编码器的应用，完成彼此的互联互通[3]。

对脑电信号疲劳检测系统硬件结构中的采集模块进行设计，主要是通过应用CCD完成信号采集工作，进而将采集得到的信号经由A/D转换，转换成数字信号形式。以某公司生产的数字解码器为例，该数字解码器能够完成数字化信号的连接和分离，并将不同的信号输入端口和输出端口进行编号处理，确保所有输入的信号都是合成信号，并能够透过信号处理器的总线接口对存储器进行串行拓展，实现输入输出速率的提高，进一步使信号采集精准度提升。

3.2.2 显示模块设计

将DSP数字信号处理器的信号端口与编码器进行连接，还可以通过FPGA完成编码器的复合信号编码工作。FPGA基于众多可编码器件发展而成，有效解决了原有电路设计过程中的各种问题，还能够应对原有可编程器件与门电路数有限的问题。在对脑电信号检测系统硬件平台选择上主要采用seed-vpm642硬件平台，该硬件平台能够通过CCD元件完成各种特征信号的检测和转换工作，当完成基本的数字信号转换后，需要对其进行预处理、分割、分离等工作。通过应用DSP数字信号处理器可以实现不同端口的信号合成、复合信号编码工作，进而实现脑电信号疲劳检测系统硬件模块设计工作。

3.3 脑电信号疲劳检测系统软件模块设计

基于深度信念网络开展脑电信号疲劳检测系统软件模块设计工作，主要包括监督训练和非监督贪婪逐层训练2个阶段，通过以上2种训练方法能够完成深度信念网络训练和整体网络调整。

深度信念网络作为重要的深度学习模型，也是实现人工智能的重要方式，在其网络结构内部包括诸多神经元，并能够在整个计算过程中将不同层级的输出工作视作下层网络输入。工作人员设置深度信念网络最底层输入的脑电信号数据。需要明确的是，在模块设计过程中，深度信念网络第一层隐藏层与可视层将会构建相应的受限玻尔兹曼机，并能够透过深度网络信念测试中的非监督贪婪逐层训练的方式使受限玻尔兹曼机达成基本的能量平衡情况，进而完成检测结果输出和参数调整工作。

整个脑电信号疲劳检测系统软件设计主要包括以下4个流程，首先，通过应用CCD实现测试对象脑电信号的采集工作。之后完成预处理和信号处理工作，并就脑电信号进行特征检测和信号跟踪，提取信号特征参数，对脑电时间序列近似熵展开分析工作。接着由工作人员对处于疲劳状态下的脑电波动指数展开分析，通常而言，当个体处于疲劳状态时，脑电波动信号强度较大，脑电信号将会呈现为具有一定波动规律的波形，但是复杂性较弱，将其与未疲劳状态的脑电波动信号相比，波动更加剧烈。最后，完成对脑电信号变化强度的检测工作。

4 结论

综上所述，对基于深度信念网络的脑电信号疲劳检测系统的研究具有十分重要的意义。通过应用该脑电信号检测系统能够实现疲劳信息数据的精准检测，与其他检测系统相比，检测效果更好。今后也应当加强对检测系统的研究，通过深度信念网络完成对人脑复杂脑电信号的深层次检测，使检测能力提升。