基于深度信念網絡的腦電信號疲勞檢測系統研究

周 揚

（湖南科技學院，湖南 永州 411201）

0 引言

基于深度信念網絡展開腦電信號疲勞檢測系統的設計和應用，相比于以往的疲勞檢測系統，應用效能更強、檢測效率更高，能夠在短時間內實現腦電信號相關特征數據的高效檢測，也不會因為檢測環境的變化而受到影響，普適應較強，能夠切實保障人們的生命財產安全。

1 深度信念網絡的基本運作原理

深度信念網絡最早在2006年由Hinton提出，通常是由多個受限玻爾茲曼機和一層分類器堆疊構成。現在已經廣泛應用于社會生活的方方面面，如語音識別、生物特征識別和疾病預防檢測等領域。受限玻爾茲曼機是由玻爾茲曼機演變發展而來，實現了應用效能的優化，受限玻爾茲曼機由可見層和隱含層構成，兩個層體結構之間并沒有任何直接關系，整個結構模型基于能量構建而成，每一種能量構成代表著不同的狀態，能量值的高低也會直接反映模型結構本身的功能性和穩定性。

2 基于深度信念網絡的腦電信號疲勞檢測系統發展現狀

現階段，腦電信號疲勞檢測系統處于不斷發展過程中，還存在很大的進步發展空間，并未構建統一的評價標準。較多應用于個別疲勞狀態的檢測，需要工作人員不斷加強技術研究，促使疲勞檢測系統能夠朝向高效化、智能化的方向發展。

基于深度信念網絡的腦電信號疲勞檢測系統與傳統的疲勞檢測系統相比，在檢測效率和檢測性能上都有所提升。疲勞駕駛檢測通常都會采用面部識別的方法，通過人臉面部特征和信息識別，實現疲勞情況的實時檢測，這個方法雖然能夠快速采集人臉信息，但是很容易因為外界環境變化而受到影響，使實際檢測效率降低。通過玻爾茲曼機在硬件采集模塊中提取的信號實現腦電信號的實時檢測，并能夠就疲勞和未疲勞進行合理劃分，促使整個信號檢測系統的完成，為處于疲勞駕駛狀態的工作人員予以生命安全保障。疲勞本身是由于長時間高強度工作引發的，主要表現為注意力不集中、日常工作反應慢，給人們的日常生活帶來了許多不良影響，如果處于疲勞駕駛狀態甚至會影響駕駛人員自身的生命安全[1]。

3 基于深度信念網絡的腦電信號疲勞檢測系統設計

3．1 腦電信號疲勞檢測系統整體結構設計

需要明確的是，深度信念網絡作為一種概率生成模型，與傳統判別神經網絡相比，具有多方面的性能優勢。深層信念網絡作為深度學習過程中關鍵的學習模型，近年來受到了廣泛關注，能夠將諸多受限玻爾茲曼機進行堆疊處理，在開展具體訓練工作時可以按照由低到高的次序，對受限玻爾茲曼機進行訓練。具體訓練主要包括2個內容：預訓練和精調。預訓練通過無監督逐層學習的方法實現初始化網絡結構參數設置。精調則是在模型最后通過應用反向傳播算法，完成對系統全方位、多角度的微調處理。深層信念網絡又可以將其劃分為可視層和隱藏層兩個層次。可視層和隱藏層表面保持著緊密聯系，但是內部結構并不相關。在深度信念網絡的條件下開展腦電信號疲勞檢測系統的設計，能夠促使檢測系統的應用性能提高，更加直觀精準地反映出測試對象的個人精神狀態。

腦電信號疲勞檢測系統，能夠通過EEG采集儀實現對測試對象腦電信號的實時檢測。通過接口構建腦電信號和機器之間的連接渠道，使個人能夠直接表達自身想法，強化腦電信號的直觀檢測，當大腦產生相應的動作后，腦電信號也將會隨之發生變化，傳輸到接口，之后通過預處理、特征參數計算、能量和疲勞指數計算，對個人疲勞程度預估和輸出[2]。

3.2 腦電信號疲勞檢測系統硬件模塊設計

3．2．1 采集模塊設計

基于深度信念網絡將開展腦電信號疲勞檢測系統的設計工作，主要包括信號采集、輸出、圖像處理、結果顯示、預警報警以及同步邏輯控制。在整個系統設計過程中，可以采用seed-vpm642作為整個腦電信號疲勞檢測系統應用模塊平臺，開展基本硬件結構的設計，并通過DSP數字信號處理器和信號編碼器的應用，完成彼此的互聯互通[3]。

對腦電信號疲勞檢測系統硬件結構中的采集模塊進行設計，主要是通過應用CCD完成信號采集工作，進而將采集得到的信號經由A/D轉換，轉換成數字信號形式。以某公司生產的數字解碼器為例，該數字解碼器能夠完成數字化信號的連接和分離，并將不同的信號輸入端口和輸出端口進行編號處理，確保所有輸入的信號都是合成信號，并能夠透過信號處理器的總線接口對存儲器進行串行拓展，實現輸入輸出速率的提高，進一步使信號采集精準度提升。

3.2.2 顯示模塊設計

將DSP數字信號處理器的信號端口與編碼器進行連接，還可以通過FPGA完成編碼器的復合信號編碼工作。FPGA基于眾多可編碼器件發展而成，有效解決了原有電路設計過程中的各種問題，還能夠應對原有可編程器件與門電路數有限的問題。在對腦電信號檢測系統硬件平臺選擇上主要采用seed-vpm642硬件平臺，該硬件平臺能夠通過CCD元件完成各種特征信號的檢測和轉換工作，當完成基本的數字信號轉換后，需要對其進行預處理、分割、分離等工作。通過應用DSP數字信號處理器可以實現不同端口的信號合成、復合信號編碼工作，進而實現腦電信號疲勞檢測系統硬件模塊設計工作。

3.3 腦電信號疲勞檢測系統軟件模塊設計

基于深度信念網絡開展腦電信號疲勞檢測系統軟件模塊設計工作，主要包括監督訓練和非監督貪婪逐層訓練2個階段，通過以上2種訓練方法能夠完成深度信念網絡訓練和整體網絡調整。

深度信念網絡作為重要的深度學習模型，也是實現人工智能的重要方式，在其網絡結構內部包括諸多神經元，并能夠在整個計算過程中將不同層級的輸出工作視作下層網絡輸入。工作人員設置深度信念網絡最底層輸入的腦電信號數據。需要明確的是，在模塊設計過程中，深度信念網絡第一層隱藏層與可視層將會構建相應的受限玻爾茲曼機，并能夠透過深度網絡信念測試中的非監督貪婪逐層訓練的方式使受限玻爾茲曼機達成基本的能量平衡情況，進而完成檢測結果輸出和參數調整工作。

整個腦電信號疲勞檢測系統軟件設計主要包括以下4個流程，首先，通過應用CCD實現測試對象腦電信號的采集工作。之后完成預處理和信號處理工作，并就腦電信號進行特征檢測和信號跟蹤，提取信號特征參數，對腦電時間序列近似熵展開分析工作。接著由工作人員對處于疲勞狀態下的腦電波動指數展開分析，通常而言，當個體處于疲勞狀態時，腦電波動信號強度較大，腦電信號將會呈現為具有一定波動規律的波形，但是復雜性較弱，將其與未疲勞狀態的腦電波動信號相比，波動更加劇烈。最后，完成對腦電信號變化強度的檢測工作。

4 結論

綜上所述，對基于深度信念網絡的腦電信號疲勞檢測系統的研究具有十分重要的意義。通過應用該腦電信號檢測系統能夠實現疲勞信息數據的精準檢測，與其他檢測系統相比，檢測效果更好。今后也應當加強對檢測系統的研究，通過深度信念網絡完成對人腦復雜腦電信號的深層次檢測，使檢測能力提升。