【技术实现步骤摘要】
一种基于脑电数据的危险交通场景辨识方法及系统
本专利技术涉及交通驾驶安全领域，尤其涉及一种基于脑电数据的危险交通场景辨识方法及系统。
技术介绍
随着社会经济的快速发展，我国汽车保有量迅速的提高，道路建设不断的推进，与此同时，交通场景日益丰富、道路交通参与者持续增长，道路交通环境变得愈加复杂，交通安全事故发生量逐年增长。交通场景的危险程度能够直接影响驾驶员的生理和心理状态，当驾驶员处于较为危险的交通场景时，驾驶员所承受的精神负荷较大，容易使驾驶员出现决策迟缓、操作错误的现象，极易引起交通事故。面对危险的道路交通场景，科学度量交通场景危险程度、准确评估驾驶员精神负荷，采取合理措施将驾驶员精神负荷控制在合理区间，降低驾驶风险，成为了重要的问题。交通场景危险程度的研究，不仅能有效的提升人类驾驶员的驾驶安全，减少道路交通事故的发生率，而且还能为智能驾驶与车辆安全技术的研究提供理论基础。对自动驾驶车辆来讲，最终判断智能驾驶有什么样的功能、达到什么性能、能否在日常的交通环境中驾驶，必须完成车辆的技术考核，考核中很重要的一个...
【技术保护点】
1.一种基于脑电数据的危险交通场景辨识方法，其特征在于，包括以下步骤：/n基于交通场景，获取刺激对象和实验变量；/n通过刺激对象和实验变量完成对驾驶员的驾驶测试，获取预设时长内驾驶员包含脑电信号的EEG数据；/n对采集到的脑电信号进行预处理，去除脑电信号中的信号噪音；/n对预处理后的脑电信号提取特征指标，并采用数理统计的方法分析得到具有显著性的特征指标；/n计算具有显著性的特征指标的功率谱密度的预测值与真值之间的差值；/n根据所述差值辨识交通场景的危险程度。/n
【技术特征摘要】
1.一种基于脑电数据的危险交通场景辨识方法，其特征在于，包括以下步骤：
基于交通场景，获取刺激对象和实验变量；
通过刺激对象和实验变量完成对驾驶员的驾驶测试，获取预设时长内驾驶员包含脑电信号的EEG数据；
对采集到的脑电信号进行预处理，去除脑电信号中的信号噪音；
对预处理后的脑电信号提取特征指标，并采用数理统计的方法分析得到具有显著性的特征指标；
计算具有显著性的特征指标的功率谱密度的预测值与真值之间的差值；
根据所述差值辨识交通场景的危险程度。
2.根据权利要求1所述的基于脑电数据的危险交通场景辨识方法，其特征在于，对采集到的脑电信号进行预处理，包括去除脑电信号中的信号噪音，包括陷波和带通滤波去噪、基于ICA法的眼电去噪、实验变量刺激段数据提取、基线校正。
3.根据权利要求1所述的基于脑电数据的危险交通场景辨识方法，其特征在于，对预处理后的脑电信号提取特征指标，包括：从EEG数据提取出若干节律波的功率谱密度作为特征指标。
4.根据权利要求3所述的基于脑电数据的危险交通场景辨识方法，其特征在于，从EEG数据提取出若干节律波的功率谱密度作为特征指标，包括：从脑电信号中分别提取出α波、β波、θ波、δ波，四种节律波的功率谱密度作为全脑平均功率谱密度的特征指标：
其中，fup表示节律波对应的频率上界，fdown表示节律波对应的频率下界。
5.根据权利要求4所述的基于脑电数据的危险交通场景辨识方法，其特征在于，采用数理统计的方法分析得到具有显著性的特征指标，包括：
提取全脑α波、β波、θ波、δ波,得到4个特征指标；
将脑通道按额叶、顶叶、枕叶和颞叶划分为四个脑区，分别对四个脑区提取脑电δ波、θ波、α波和β波的功率谱密度，得到16个特征指标；
采用功率谱估计方法分析驾驶过程中驾驶员的脑电信号，
其中，所述AR功率谱估计模型为：
AR功率谱估计模型中的阶数p使用代价函数进行估计，-jtw为复指数信号，AR功率谱估计模型的系数cpi和σ2使用Burg算法进行求取，使AR模型前后项预测误差的功率之和为最小；
采用正态性检验对采集到的特征指标的P(w)差异性进行检验分析；
对P(w)服从正态分布和方差齐性要求的特征指标进行单因素方差分析，对P(w)不服从正态分布或不满足方差齐性要求的特征指标进行非参数方差分析；
确定P(w)小于预设值的特征指标为具有显著性的特征指标。
6.根据权利要求1所述的基于脑电数据的危险交通场景辨识方法，其特征在于，计算具有显著性的特征指标的功率谱密度的预测值，包括如下步骤：
将预设时长划分为n个时间窗口，时间窗口对应的具有显著性的特征指标的功率谱密度的脑电信号数据为：
...
【专利技术属性】
技术研发人员：谭墍元，毕蕊，邹迎，李倩，郭伟伟，敏玥，王越琴，
申请(专利权)人：北方工业大学，北京市交通委员会，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。