基于脑电功率谱-连续隐马尔科夫链的精神疲劳分级模型

赵春临; 郑崇勋; 赵敏

您当前的位置：

首页 >

文章列表页 >

基于脑电功率谱-连续隐马尔科夫链的精神疲劳分级模型

专题研究 | 更新时间：2025-12-08

- 基于脑电功率谱-连续隐马尔科夫链的精神疲劳分级模型
- Mental Fatigue Staging Model Based on Electroencephalogram Power Spectrum and Continuous Hidden Markov Model
- 西安交通大学学报 2007年41卷第12期页码：1474-1478
- 作者机构：
  
  西安交通大学教育部生物医学信息工程重点实验室,西安,710049
- 作者简介：
- 基金信息：
  
  : 2007-05-28. 作者简介: 赵春临(1974～),男,博士生;郑崇勋(联系人),男,教授,博士生导师. 基金项目: 国家自然科学基金资助项目(30670534)
- DOI：
  中图分类号： R318.04
- 网络首发：2007-12-10，
  
  纸质出版：2007
- 稿件说明：
移动端阅览
赵春临, 郑崇勋, 赵敏. 基于脑电功率谱-连续隐马尔科夫链的精神疲劳分级模型[J]. 西安交通大学学报, 2007,41(12):1474-1478.

赵春临, 郑崇勋, 赵敏. Mental Fatigue Staging Model Based on Electroencephalogram Power Spectrum and Continuous Hidden Markov Model[J]. 2007, 41(12): 1474-1478.
赵春临, 郑崇勋, 赵敏. 基于脑电功率谱-连续隐马尔科夫链的精神疲劳分级模型[J]. 西安交通大学学报, 2007,41(12):1474-1478. DOI：

赵春临, 郑崇勋, 赵敏. Mental Fatigue Staging Model Based on Electroencephalogram Power Spectrum and Continuous Hidden Markov Model[J]. 2007, 41(12): 1474-1478. DOI：

摘要

提取多通道脑电(EEG)功率谱特征

训练连续高斯密度混合隐马尔科夫模型(CHMM)

建立了基于功率谱-CHMM的精神疲劳分级模型.分级结果表明:EEG各节律功率谱及其比值是精神疲劳的敏感指标

CHMM对于不同的精神疲劳状态具有较高的分类精度

最高分类正确率达到97.5%; 在训练样本相同的情况下

CHMM比反向传输人工神经网络具有更高的分类精度.

Abstract

Multi-channel electroencephalogram(EEG)power spectrum is extracted for training continuous hidden Markov model(CHMM)

and a novel approach to classify the mental fatigue levels is proposed based on power spectrum-CHMM. The result shows that EEG power spectrum and the ratio of different rhythm serve as sensitive indices for mental fatigue

CHMM is effective for classifying metal fatigue levels with the highest classification accuracy of 97.5%.CHMM enables to classify more accurately comparing with back propagation neural network for the same training samples.

关键词

Keywords

references

Klimesch W. EEG alpha and theta oscillations reflect cognitive and memory performance: a review and analysis[J]. Brain Research Review,1999, 29(2/3):169-195.

Jung Txyy-Ping,Stensmo M. Estimating alertness form the EEG power spectrum[J]. IEEE Transactions on Biomedical Engineering, 1997,44(1):60-69.

Myers C, Singer A, Shin F, et al. Modeling chaotic systems with hidden Markov model[C]∥IEEE International Conference on Acoustics, Speech and Signal Processing. Piscataway:IEEE, 1992:565-568.

Heck L P, McClellan J H. Mechanical system monitoring using HMM[C]∥IEEE International Conference on Acoustics, Speech and Signal Processing.Piscata-way:IEEE, 1991:1697-1700.

Zhong S, Ghosh J. HMMs and coupled HMMs for multi-channel EEG classification [C]∥International Joint Conference on Neural Networks.Piscataway:IEEE, 2002:1154-1159.

Ocak H, Loparo K A. A new bearing fault detection and diagnosis scheme based on hidden Markov modeling of vibration signals [C]∥ IEEE International Conference on Acoustics,Speech and Signal Processing. Piscataway: IEEE, 2001:3141-3144.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

血管性痴呆患者脑电信号的多通道线性描述符特征研究

基于功率谱分析的头皮电位和心率变异性关系研究

基于多导脑电复杂性测量度的脑疲劳分析

基于独立成分分析和流形学习的眼电伪差去除

早期血管性痴呆患者的效应连接研究