基于多模态信号与深度学习的脑力疲劳实时评估预测方法

本发明涉及一种基于多模态信号与深度学习的脑力疲劳实时评估预测方法，解决了现有脑力疲劳监测技术多依赖单一生理信号的静态特征分析所存在的问题。首先，融合脑电(EEG)动态脑功能网络特征与脑电的时频域特征，实现时频空多域脑电特征驱动的特征融合；进一步基于加权K‑means聚类自动关联PPG信号与疲劳阶段，以心率中心值标定疲劳等级，无需依赖主观标注，实现对脑力疲劳程度进行客观重标定；最后，基于时序深度卷积网络模型实现脑力疲劳程度的实时评估与预测。本发明可以高精度实时评估与预测脑力疲劳程度，并对高脑力疲劳程度的操作员发出预警信号，对脑力疲劳实时监测及警告提供技术支撑，进一步降低由脑力疲劳引发的误操作事故率。