无线耳部可穿戴设备：飞行员疲劳与健康监测的未来

原创于 2026-03-06 10:30:00 发布 · 733 阅读

22 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

收录于

知识分享

低功耗蓝牙项目，需要一块懂省电的板

思澈 SF32LB52 芯片，BLE 协议栈深度优化，上手即开发

点击查看

随着航空行业的快速发展，飞行员的疲劳管理和健康监测日益变得重要。飞行员的疲劳不仅会影响他们的操作表现，还可能导致严重的安全隐患。

疲劳驾驶：重型机械操作时的疲劳可能导致致命事故。美国有超过16.5%的致命交通事故与疲劳驾驶有关，每年造成8000多人死亡。
现有监测技术：虽然现有的机舱传感器可以提供报警，但它们的监测能力有限。基于摄像头的眼动追踪和其他传感器适用于某些场景，但可能设定于外部条件。

本文将分享一篇旨在开发一种无线干电极入耳式脑电图（EEG）系统的研究文献。该研究的核心目标是创建一个用户习惯、无线化的脑电系统，专门用于的神经监测监测疲劳和健康状态方面的应用。

图1:设想中的 Ear ExG 可穿戴设备
可以全天谨慎佩戴，舒适地记录耳道内的神经信号

神经可穿戴设备的创新设计

研究团队开发了一种新型入耳式干电极耳机，这种设备通过无线电子系统，能够监测飞行员的生理信号，并实时分析其疲倦状态。该款耳机还集成了离线分类算法和长时间监测能力，特别适合在飞行等复杂环境下使用。

多通道记录与数据处理

耳机的设计还支持多通道信号记录，能够全面采集飞行员的脑电和生理信号。通过集成的机器学习算法，系统能够实时分析这些信号，并根据飞行员的疲劳和健康状态做出准确的判断。这种创新的多通道记录设计使得设备在复杂的飞行环境中仍然能够提供精准的数据分析。

为了验证设备的有效性，研究人员记录了9名飞行员长达35小时的电生理数据。

笔记本在笔记本电脑上进行反应时间测量游戏，使用 WANDmini 记录生理信号并通过 BLE 传输。实时的 ExG 信号提供监督员使用，同时记录反应时间和 Likert 表格回答。通过这些数据生成大脑状态分类器的特征和标签，昏昏欲睡事件通过超出阈值的反应时间和Likert分数进行标记，以确保标签的可靠性。

困倦分类流程

耳部ExG实验记录经过重新引用、过滤和清除运动污染后进行特征提取和模型训练。然后，通过交叉验证，将特征化的耳部ExG数据输入三个分类模型。模型输出形成事件检测器，执行移动平均和阈值处理，以估计的警觉和困倦状态。

嗜睡分类结果

a）频谱图显示受试者闭上眼睛时的 alpha 调制。闭眼时，alpha 波段功率（为清晰起见，8-12 Hz 通过 2 秒滚动平均滤波器）的幅度调制为 4 倍。

b）使用10 秒特征窗口的逻辑回归事件检测。

c）使用10 秒特征窗口的支持向量机事件检测。

d）使用 10 秒特征窗口的随机森林事件检测。

e、f、g ）使用 50 秒特征窗口的困倦事件检测。显示所有九位用户结果的标准偏差 (Std Dev)。

特征提取与选择

使用 Python 3.8 从分割的 ExG 数据中提取时间和频谱特征。为每个 ExG 数据窗口以及所有记录和重新引用的通道计算低复杂度特征（表1）。

此表帮助中断选择了解在分析过程中使用的所有特征，有助于后续的特征和模型训练。它显示了各种特征与困倦事件的关系，可能包括每个特征的数据的统计或计算方法。

表1:每个通道提取的特征
最大峰峰值电压
电压标准差
最大 PSD（δ、θ、α、β、γ 波段）
峰值频率（δ、θ、α、β、γ 带）
PSD 方差（δ、θ、α、β、γ 波段）
绝对功率（δ、θ、α、β、γ、α/β、θ/β、（α + θ）/β、（α + θ）/（α + β）
相对功率（δ、θ、α、β、γ、α/β、θ/β、（α + θ）/β、（α + θ）/（α + β）

为了减少输入特征数，使用方差分析（scikit-learn Python 3.8）进行特征选择，以确定在训练期间最小化冗余和最大化类别变异的前 20 个特征（总计）。

表2提供了用于模型训练的主要特征列表，有助于了解哪些特征对分类器的性能影响最大，指导在后续实验中关注这些特征，以提高模型的准确性和可靠性。

表2:为训练和验证选择的主要特征
α 相对功率
β 相对功率
δ 相对功率
前一个分段的 α 相对功率
前一个分段的 β 相对功率
前一个分段的 δ 相对功率
θ/β 绝对功率
(α + θ)/β 绝对功率
(α + θ)/(α + β) 绝对功率

通过对这些数据的分析，研究团队使用了不同的分类器模型，最终采用支持支持机（SVM）分类器的准确率最高，达到93.2%（对见过的用户）和93.3%（对未见过的用户）。这表明该设备不仅能够精准地监测飞行员的状态，还具有优势的泛化能力，适用于不同个体。