一种基于脑电信号的驾驶疲劳的检测方法技术

本发明专利技术涉及一种基于脑电信号的驾驶疲劳的检测方法，具体包括以下方面：(1)选取与疲劳驾驶状态相关的特征量；(2)疲劳驾驶状态的脑电信号功率谱分析；(3)疲劳驾驶状态的脑电信号样本熵分析；(4)疲劳驾驶状态的脑电信号Kc复杂度分析；(5)支持向量机(SVM)(6)最小二乘支持向量机(LS‑SVM)；(7)粒子群优化(PSO)算法设置LS‑SVM的模型训练参数C和g。本发明专利技术通过对不同驾驶状态下提取到的脑电信号分别从功率谱的角度以及使用非线性动力学中的相关方法分别进行了研究，表明在准确性和可靠性上都取得较好的效果。

【技术实现步骤摘要】

本专利技术属于交通驾驶
，具体涉及一种基于脑电信号的驾驶疲劳的检测方法
技术介绍
如何从与疲劳状态紧密相关的众多特征中挑选出合适的特征量，对于进行驾驶疲劳的准确识别具有非常重要的作用，同时为了实现对驾驶疲劳进行客观而准确的识别，往往在对提取出来的脑电信号进行相关处理后，得到选取的相关的特征向量后，再使用某些分类器根据这些特征向量进行判别。支持向量机是常用的方法之一，它在实际应用中虽然能够取得不错的效果，但是它需要借助二次规划的方法进行求解，在样本数量比较大的情况下需要耗费大量的内存以及运算时间。本专利技术通过对提取到的不同驾驶状态的脑电信号分别从功率谱的角度以及采用非线性动力学的相关方法进行了研究，探讨了不同的驾驶状态与这些特征值之间的存在的对应关系，进行相关分析比较后选取了脑电信号的Kc复杂度、样本熵以及相关节律波的平均功率的比值等多个特征值构成了特征向量空间，作为构成驾驶疲劳识别的主要特征空间，然后采用最小二乘支持向量机对提取的样本信号的特征向量进行驾驶疲劳识别模型的训练，从而避免了解二次规划的问题，提高了模型训练的速度，同时针对LS-SVM参数通常依靠经验进行选取的问题，使用了粒子群算法(PSO)进行了相应的优化处理，最后通过实验进行了分析，表明使用PSO进行参数优化的LS-SVM进行驾驶疲劳的识别，在准确性和可靠性上都取得较好的效果，并且在实际应用中具有较好的效果。支持向量机(SupportVectorMachine，SVM)理论作为一种新型的机器学习方法，由Vapnik等人依据统计学理论中的VC维理论以及结构风险最小化原理提出来的，它是一种监督式的学习方法，被广泛用于对统计分类以及回归分析问题中，它在解决样本数较小、非线性以及高维模式的识别问题中有着特有的优势。它的主要思想如下：(1)它专门是针对于样本有限的情况下使用的机器学习方法，在实现结构风险最小化的原则下，即对于给定的数据通过在逼近的精度以及逼近函数的复杂性之间寻找一个比较好的折衷，以期望获得最好的推广能力。(2)它最终是通过将要解决的问题转化为一个凸二次规划的问题进行求解，最后得到它的全局最优解。(3)它将实际问题通过非线性变换转换到高维特征空间，通过在高维空间中构造线性决策函数以实现原空间中的非线性决策函数，这能够巧妙的解决维数问题，从而能够保证具有较好的推广能力。
技术实现思路
本专利技术提供一种基于脑电信号的驾驶疲劳检测的方法，通过对不同状态下的脑电信号进行相应分析后，选取了Kc复杂度、样本熵以及相关节律波的平均功率的比值等多个特征值构成了相应的特征向量空间，同时针对支持向量机需要利用二次规划进行计算的问题，提出了使用LS-SVM的方法进行模型的训练，提高了模型训练的速度同时针对LS-SVM参数通常依靠经验进行选取的问题，使用了粒子群算法(PSO)进行了相应的优化处理，最后通过实验进行了分析，表明使用PSO进行参数优化的LS-SVM进行驾驶疲劳的识别，在准确性和可靠性上都取得较好的效果。为了实现上述目的，本专利技术技术方案如下。一种基于脑电信号的驾驶疲劳的检测方法，具体包括以下方面：(1)选取与疲劳驾驶状态相关的特征量：特征选择是指通过对原始测量信号进行一系列相应处理后，得到一个由一组相关特征量组成的特征集，然后从该特征集中选取某些具有代表性、分类性能最佳的物理量作为区分不同行为的一组特征量，然后使用相关的分类识别方法，利用选取的特征量将不同的行为从特征空间中分离出来，因此对于学习分类而言都需要训练集样本：T＝{(x1,y1),…,(xl,yl)本文档来自技高网...

【技术保护点】
一种基于脑电信号的驾驶疲劳的检测方法，其特征在于：具体包括以下方面：(1)选取与疲劳驾驶状态相关的特征量：特征选择是指通过对原始测量信号进行一系列相应处理后，得到一组由相关特征值组成的特征集，然后从该特征集中选取某些具有代表性、分类性能最佳的物理量作为区分不同行为的一组特征量，然后使用相关的分类识别方法，利用选取的特征量将不同的行为从特征空间中分离出来，因此对于学习分类而言都需要训练集样本：T＝{(x1,y1),…,(xl,yl)}∈(X×Y)l   (1)其中xi∈X＝Rn,yi∈Y＝R,i＝1,…,l；对于符合要求的训练集就是如何选择满足要求的特征量，具体是：(a)需要选取适当数量的能够描述不同行为模式的样本作为训练集，但是又不能选取过多的训练集，因为采用过多的训练集会导致训练时间的增长；(b)在输入样本中，代表每一样本的行为特征量需要尽量地能描述出该行为，因此选取的特征量不能太少；(c)为了避免复杂运算，用来描述输入样本的特征量不能什么都包括，以致于训练后的模型过于敏感；(2)疲劳驾驶状态的脑电信号功率谱分析：对处于不同状态下脑电信号的功率谱特性进行相关分析，将采集的脑电信号的长度选择为3秒，即对采集到的数据以每3秒截取一次并进行平均功率的计算，选取了从精力充沛状态过度到疲劳状态的脑电数据8分钟，将其截取为160段，并对截取到的这些时间段的脑电信号进行傅里叶变换：G=limT→∞12T∫-TTxT2(t)dt=12π∫-∞∞limT→∞12TxT2(f)df---(2)]]>式中，f为连续频率变量；xT(f)为信号的频谱密度；其中：pX(f)=limT→∞12TxT2(f)---(3)]]>在式(3)中显示了处于不同频段上的信号功率的分布情况，同时也可以表示单位时间内和单位频段上的信号的能量，因此该积分函数又被称作为功率谱密度函数；经过傅里叶变换以后，得到xn(ejf)，然后对频谱的模进行平方，最后得到功率谱密度的计算公式：pX(f)=1N|XN(f)|2---(4)]]>由上面可知信号在某个频段h的平均功率密度为：G(h)=∫flfhpX(f)dffh-fl---(5)]]>其中：fh为频带h的上限，fl为频带h的下限，pX(f)为信号的功率谱密度；则不同频段的平均功率比值则定义为：F=G(h1)G(h2)---(6)]]>式中h1和h2为脑电信号的不同频带，将F(α+θ)/β,Fα/β这两个相关节律波的平均功率的比值选作进行驾驶疲劳判别的两个特征指标；(3)疲劳驾驶状态的脑电信号样本熵分析：利用样本熵对脑电信号进行分析的具体步骤如下：计算选取长度为1000的数据作为一个数据窗口，以500个数据为移动步长，按以上步骤计算每次移动的数据的样本熵值，然后进行下1个数据窗口的样本熵值的计算，取2个数据窗口的样本熵的平均值作为时间序列的脑电数据样本熵值，通过对处于疲劳与清醒状态的脑电数据进行分析，得到不同状态下脑电信号的样本熵值；非疲劳状态时的样本熵值大于疲劳状态下的样本熵值，表明样本熵可以用于区分不同的驾驶状态，进一步可以得出疲劳状态下脑电信号计算的到样本熵值主要集中在0.2～0.4，而清醒状态的样本熵值集中在0.5～0.8之间；由此可知随着驾驶疲劳成都的加深脑电信号的样本熵值逐渐降低的，因此可看出脑电信号的样本熵值与人体精神状态之间存在相互对应关系，因此本专利技术将其选作为用于驾驶疲劳识别的相关特征量；(4)疲劳驾驶状态的脑电信号Kc复杂度分析：首先采集得到的一段待分析的脑电时间序列，设为S(S1,S2,...,Sn)，第一步是对该序列进行粗粒化处理，具体就是先求取该序列的平均值，然后对原序列的每个元素进行判断并重新赋值，如果序列元素Si大于平均值时则赋值S′1＝1，如果序列元素Si小于平均值时则赋值Si'＝0，然后得到重构序列S'(S′1,S'2,...,S'n)，重新利用S′i重新对S中的元素进行赋值，则得到新的序列S(S1,S2,...,Sn)，该新序列是一串由(0，1)字符组成的新序列；下一步则对重构序列进行子串划分与界定，将按照如下的规则进行：在一个字符串S(S1,S2,...,Sn)后再加一个字符串Q(q1,q2,...,qn)，这样就得到组合后新的字符串序列SQ，令SQ序列删去末尾的一个字符所得字符串命名为SQv，接下来需要对Q是否属于SQv的子串进行判断，如果属于，则把下一个字符加到Q后面，增长一位再进行重复判断，直到增长后的Q不再属于SQv的一个子串，则用标记符号“.”进行序列的前后界定；下一步将“.”前的所有字符定义为新的S...

【技术特征摘要】
1.一种基于脑电信号的驾驶疲劳的检测方法，其特征在于：具体包括以下方面：(1)选取与疲劳驾驶状态相关的特征量：特征选择是指通过对原始测量信号进行一系列相应处理后，得到一组由相关特征值组成的特征集，然后从该特征集中选取某...

【专利技术属性】
技术研发人员：金纯，
申请(专利权)人：重庆金瓯科技发展有限责任公司，
类型：发明
国别省市：重庆;50