基于GPDC图卷积神经网络的疲劳检测方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种基于GPDC图卷积神经网络的疲劳检测方法、装置及存储介质，包括采集初始脑电数据；对所述初始脑电数据进行处理，得到第一脑电信号；对所述第一脑电信号进行分割并通过广义偏定向相干计算出有向静态网络；从所述有向静态网络中筛选出重要连接信息，对所述重要连接信息二值化处理后，得到脑功能矩阵；通过所述脑功能矩阵建立有向脑功能网络；通过所述有向脑功能网络将提取所得的脑电特征建模为图信号；将训练的所述图信号输入到图卷积神经网络进行网络训练优化，得到驾驶疲劳检测模型；将测试的所述图信号输入到所述驾驶疲劳检测模型进行识别检测，得到反馈结果，提高了驾驶疲劳状态下的检测性能。

【技术实现步骤摘要】
基于GPDC图卷积神经网络的疲劳检测方法、装置及存储介质
本专利技术涉及人工智能领域，特别涉及一种基于GPDC图卷积神经网络的疲劳检测方法、装置及存储介质。
技术介绍
安全驾驶对公众健康起着至关重要的作用，而驾驶员疲劳可能危及生命。驾驶需要长时间的高度集中，由于驾驶员外部环境的注意力和反应能力降低，容易导致严重的道路碰撞。因此，开发车载疲劳检测系统，对驾驶员的心理状态进行实时监测具有十分重要的意义。目前，驾驶疲劳研究的常用方法主要是利用各种传感器获取汽车驾驶参数、驾驶员行为视频技术、通过采集分析驾驶员生理参数,比如心电图(ECG)、肌电图(EMG)、脑电图(EEG)。驾驶员在驾驶过程中的疲劳主要是精神疲劳。脑电图作为一种脑状态指标，被认为是驾驶员疲劳的金标准。传统的机器学习方法和深度学习在基于脑电的驾驶疲劳领域得到了广泛的研究。研究考虑了脑电通道的空间局部位置，忽略了其功能联系。最近，各种各样的方法开始在图卷积上蓬勃发展。然而，由于几何拓扑的不规则性和复杂性，将CNN从规则网格推广到图形并不是一件小事。由于脑区的工作机制、功能划分和协作，脑电研究的重点问题是脑电通道的空间位置关系和功能连接。神经系统是一个多时空尺度的复杂网络，脑电信号不是规则的欧氏结构数据。研究表明，脑解剖和脑功能网络在拓扑上介于高度规则和随机图形之间。但脑网络特征往往需要人工提取，没有统一的数据标准，往往不规范，操作复杂繁琐。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于GPDC图卷积神经网络的疲劳检测方法、装置及存储介质方法，克服了传统机器学习和深度学习侧重于单通道分析，忽略了大脑通道与通道之间的相关性，从而更好的提高了疲劳状态下的检测性能。本专利技术还提出一种应用上述基于GPDC图卷积神经网络的疲劳检测方法的基于GPDC图卷积神经网络的疲劳检测装置。本专利技术还提出一种应用上述基于GPDC图卷积神经网络的疲劳检测方法的计算机可读存储介质。根据本专利技术第一方面实施例的基于GPDC图卷积神经网络的疲劳检测方法，包括：采集初始脑电数据；对所述初始脑电数据进行处理，得到第一脑电信号；对所述第一脑电信号进行分割并通过广义偏定向相干计算出有向静态网络；从所述有向静态网络中筛选出重要连接信息，并且根据重要连接信息得到脑功能矩阵；通过所述脑功能矩阵建立有向脑功能网络；通过所述有向脑功能网络将提取所得的脑电特征建模为图信号；将训练的图信号输入到图卷积神经网络进行网络训练优化，得到驾驶疲劳检测模型；将测试的图信号输入到所述驾驶疲劳检测模型进行识别检测，得到反馈结果。根据本专利技术实施例的基于GPDC图卷积神经网络的疲劳检测方法，至少具有如下有益效果：提出一种基于广义偏定向相干图卷积神经网络的驾驶疲劳检测方法，能够对脑拓扑结构特征进行特征学习，提取高层特征表示；信道间的函数连接关系采用广义偏定向相干方法；通过将脑功能连接理论与图卷积神经网络相结合的方法，解决了传统机器学习和深度学习侧重于单通道分析，忽略了大脑通道与通道之间的相关性，从而更好的提高了驾驶疲劳状态下的检测性能。根据本专利技术的一些实施例，所述对所述初始脑电数据进行处理，得到第一脑电信号，包括：对所述初始脑电数据进行预处理，得到第二脑电信号；对所述第二脑电信号进行分解与重构，得到第一脑电信号。根据本专利技术的一些实施例，所述预处理包括以下至少之一：独立分量分析、移除脑电信号基线、平均参考和去趋势。根据本专利技术的一些实施例，所述对所述第二脑电信号进行分解与重构，包括：采用小波包变换对第二脑电信号进行分解与重构。根据本专利技术的一些实施例，所述采集初始脑电数据，包括：通过无线湿电极帽实时采集受试者根据驾驶规则模拟驾驶的初始脑电数据。根据本专利技术的一些实施例，所述对所述第一脑电信号进行分割包括：根据预先设定的时间窗口和步长对所述第一脑电信号进行分割。根据本专利技术的一些实施例，所述将训练的所述图信号输入到图卷积神经网络进行网络训练优化，包括：采用反向传播算法和交叉熵损失函数优化网络参数；采用Relu激活函数减少参数间的相互依存关系。根据本专利技术第二方面实施例的基于GPDC图卷积神经网络的疲劳检测装置，还包括：采集单元，用于采集初始脑电数据；处理单元，用于对所述初始脑电数据进行处理，得到第一脑电信号；操作单元，用于对所述第一脑电信号进行分割并通过广义偏定向相干计算出有向静态网络；筛选处理单元，用于从所述有向静态网络中筛选出重要连接信息，并且根据重要连接信息得到脑功能矩阵；建立单元，用于通过所述脑功能矩阵建立有向脑功能网络；建模单元，用于通过所述有向脑功能网络将提取所得的脑电特征建模为图信号；训练单元，用于将训练的图信号输入到图卷积神经网络进行网络训练优化，得到驾驶疲劳检测模型；识别单元，用于将测试的图信号输入到所述驾驶疲劳检测模型进行识别检测，得到反馈结果。根据本专利技术的一些实施例，所述处理单元包括：预处理单元，用于对所述初始脑电数据进行预处理，得到第二脑电信号；分解重构单元，用于对所述第二脑电信号进行分解与重构，得到第一脑电信号。根据本专利技术实施例的基于GPDC图卷积神经网络的疲劳检测装置，至少具有如下有益效果：能够对脑拓扑结构特征进行特征学习，提取高层特征表示；信道间的函数连接关系采用广义偏定向相干方法；通过将脑功能连接理论与图卷积神经网络相结合的方法，解决了传统机器学习和深度学习侧重于单通道分析，忽略了大脑通道与通道之间的相关性，从而更好的提高了驾驶疲劳状态下的检测性能。根据本专利技术第三方面实施例的计算机可读存储介质，能够应用根据本专利技术上述第一方面实施例的基于GPDC图卷积神经网络的疲劳检测方法。根据本专利技术实施例的计算机可读存储介质，至少具有如下有益效果：能够对脑拓扑结构特征进行特征学习，提取高层特征表示；信道间的函数连接关系采用广义偏定向相干方法；通过将脑功能连接理论与图卷积神经网络相结合的方法，解决了传统机器学习和深度学习侧重于单通道分析，忽略了大脑通道与通道之间的相关性，从而更好的提高了驾驶疲劳状态下的检测性能。本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1为本专利技术实施例一的基于GPDC图卷积神经网络的疲劳检测方法的流程图；图2为本专利技术实施例一的基于GPDC图卷积神经网络的疲劳检测方法中的对初始脑电数据进行处理的工作流程图；图3为本专利技术实施例二的基于GPDC图卷积神经网络的疲劳检测装置的装置结构示意图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例本文档来自技高网...

【技术保护点】
1.一种基于GPDC图卷积神经网络的疲劳检测方法，其特征在于，包括：/n采集初始脑电数据；/n对所述初始脑电数据进行处理，得到第一脑电信号；/n对所述第一脑电信号进行分割并通过广义偏定向相干计算出有向静态网络；/n从所述有向静态网络中筛选出重要连接信息，并且根据重要连接信息得到脑功能矩阵；/n通过所述脑功能矩阵建立有向脑功能网络；/n通过所述有向脑功能网络将提取所得的脑电特征建模为图信号；/n将训练的图信号输入到图卷积神经网络进行网络训练优化，得到驾驶疲劳检测模型；/n将测试的图信号输入到所述驾驶疲劳检测模型进行识别检测，得到反馈结果。/n

【技术特征摘要】
1.一种基于GPDC图卷积神经网络的疲劳检测方法，其特征在于，包括：
采集初始脑电数据；
对所述初始脑电数据进行处理，得到第一脑电信号；
对所述第一脑电信号进行分割并通过广义偏定向相干计算出有向静态网络；
从所述有向静态网络中筛选出重要连接信息，并且根据重要连接信息得到脑功能矩阵；
通过所述脑功能矩阵建立有向脑功能网络；
通过所述有向脑功能网络将提取所得的脑电特征建模为图信号；
将训练的图信号输入到图卷积神经网络进行网络训练优化，得到驾驶疲劳检测模型；
将测试的图信号输入到所述驾驶疲劳检测模型进行识别检测，得到反馈结果。


2.根据权利要求1所述的一种基于GPDC图卷积神经网络的疲劳检测方法，其特征在于，所述对所述初始脑电数据进行处理，得到第一脑电信号，包括：
对所述初始脑电数据进行预处理，得到第二脑电信号；
对所述第二脑电信号进行分解与重构，得到第一脑电信号。


3.根据权利要求2所述的一种基于GPDC图卷积神经网络的疲劳检测方法，其特征在于，所述预处理包括以下至少之一：独立分量分析、移除脑电信号基线、平均参考和去趋势。


4.根据权利要求2所述的一种基于GPDC图卷积神经网络的疲劳检测方法，其特征在于，所述对所述第二脑电信号进行分解与重构，包括：
采用小波包变换对第二脑电信号进行分解与重构。


5.根据权利要求1所述的一种基于GPDC图卷积神经网络的疲劳检测方法，其特征在于，所述采集初始脑电数据，包括：
通过无线湿电极帽实时采集受试者根据驾驶规则模拟驾驶的初始脑电数据。


6.根据权利要求1所述的一种基于GPDC图卷积神经网络的疲劳检测方法，其特征在于，所述对所述第一脑电信号进行分割包括：
根据预先设定的时间窗...

【专利技术属性】
技术研发人员：王洪涛，唐聪，裴子安，许林峰，岳洪伟，
申请(专利权)人：五邑大学，
类型：发明
国别省市：广东;44