一、引言

针对作业安全（如驾驶、精密操作）场景下的疲劳状态实时监测需求，本文提出一种基于心电（ECG）心率变异性（HRV） 与脑电（EEG）频段特征融合的疲劳检测方法。该方法通过 MATLAB 实现信号预处理、特征提取与综合评分，结合 PWelch 功率谱估计、Pan-Tompkins R 波检测等经典算法，量化分析 HRV 中的 LF/HF 比值与 EEG 中的 θ/α 比值，最终通过加权融合得到 0-1 区间的疲劳指数。实验表明，该系统可有效区分清醒、轻度疲劳、中度疲劳与严重疲劳四种状态，为多模态生理信号疲劳检测提供可复用的工程化方案。

ECG-HRV：通过分析心跳间期（RR 间期）的波动，反映自主神经系统（交感神经 / 迷走神经）平衡，疲劳状态下 HRV 特征（如 LF/HF 比值）会发生显著变化；
EEG 频段：脑电信号的不同频段（θ、α、β 波）对应大脑不同活动状态，疲劳时 θ 波（4-8Hz）能量增强、α 波（8-13Hz）能量减弱，θ/α 比值可作为疲劳核心指标。

本文基于 Eoh et al. (2005) 与 Borghini et al. (2014) 的研究成果，实现 ECG 与 EEG 多模态融合的疲劳检测系统。

二、核心原理

2.1 心电 HRV 疲劳关联原理

心率变异性（HRV）是指连续心跳间 RR 间期（相邻两个 R 波的时间间隔）的微小波动，其本质是自主神经系统对心脏的动态调节。HRV 的频域分析（功率谱密度，PSD）是提取疲劳特征的核心手段。

心电信号中的 R 波检测 可得到 RR 间期序列（相邻心跳间的时间）。通过功率谱密度 (PSD) 分析，可分解为不同频段：

低频段（LF）：0.04-0.15Hz，主要受交感神经与迷走神经共同调节，反映交感神经兴奋性；
高频段（HF）：0.15-0.4Hz，仅受迷走神经调节，反映迷走神经活性。

疲劳状态下，人体自主神经平衡被打破：交感神经兴奋性相对升高，迷走神经活性降低，导致LF/HF 比值升高。

2.2 脑电 EEG 疲劳关联原理

脑电信号按频率可分为多个频段，其中与疲劳最相关的三个频段为：

频段名称	频率范围（Hz）	生理意义	疲劳状态下的变化
θ 波（theta）	4-8	大脑抑制、困倦状态	能量增强
α 波（alpha）	8-13	大脑放松、清醒静息	能量减弱
β 波（beta）	13-30	大脑兴奋、注意力集中	能量变化不显著

疲劳时 θ 波能量增加、α 波能量减少，因此θ/α 相对功率比值是衡量疲劳的关键指标：比值越高，疲劳程度越严重。

某频段的相对功率为该频段功率与总功率（θ+α+β）的比值。

2.3 疲劳综合指数

为了同时考虑心电和脑电信息，本文基于参考文献定义一个加权综合疲劳指数：

其中 Norm() 表示归一化到 [0,1][0,1][0,1] 区间，权重根据文献与实验经验设定。
指数区间含义如下：

0 – 0.3：清醒状态
0.3 – 0.6：轻度疲劳
0.6 – 0.8：中度疲劳
0.8 – 1.0：严重疲劳

三、数据处理流程

整体流程如下：

数据读取： 提取心电（ECG）与脑电（EEG）信号。
预处理：
- ECG：高通 + 带通 + 陷波 + 其他噪声滤波
- EEG：高通 + 带通 + 陷波 + 低通
特征提取：
- ECG：R 波检测 → RR 间期 → HRV 频域分析 (LF, HF, LF/HF)
- EEG：PSD 分析 → θ, α, β 相对功率 → θ/α 比值
综合指数计算： 归一化指标并加权求和
可视化与报告生成： 输出图表与表格

四、结果展示与分析

（1）心电信号分析

R 波检测结果 清晰标记心跳周期。
RR 间期变化 呈规律波动，可见自主神经调节。

（2）脑电信号分析

经过滤波处理后，脑电信号清晰可分。
功率谱分析 显示 θ、α、β 三个频带能量分布。

（3）疲劳分析

心电分析：正常状态下，LF/HF比值通常维持在1.5-2.0之间。疲劳状态下，交感神经活动增强，副交感神经活动减弱，表现为LF成分增加，HF成分减少，LF/HF比值升高。

脑电分析：清醒状态下，α波占主导地位；疲劳状态下，θ波活动增加，α波活动减少，θ/α比值升高。这一变化反映了大脑皮层活动减慢，警觉性下降。

综上所述：本文实现了一种基于心电和脑电信号多模态融合的疲劳检测方法，通过分析HRV特征和脑电频段特征，构建了综合性的疲劳评估模型。实验结果表明，该方法能有效区分不同疲劳状态，为疲劳监测提供了可靠的技术手段。

参考文献

[1] Eoh, H. J., Chung, M. K., & Kim, S. H. (2005). Electroencephalographic study of drowsiness in simulated driving with sleep deprivation. International Journal of Industrial Ergonomics, 35(4), 307-320.

[2] Borghini, G., Astolfi, L., Vecchiato, G., Mattia, D., & Babiloni, F. (2014). Assessment of mental fatigue during car driving by using high resolution EEG. Clinical Neurophysiology, 125(11), 2130-2142.

Tips：下一讲，我们将进一步探讨，心电信号处理与应用的其他部分。

以上就是基于ECG和EEG信号的多模态融合疲劳分析的全部内容啦~

我们下期再见，拜拜(⭐v⭐) ~

（Ps：有代码实现需求，请见主页信息，谢谢支持！~）