一种基于脑电特征迁移学习的驾驶状态检测方法及系统技术方案

本发明专利技术公开了一种基于脑电特征迁移学习的驾驶状态检测方法及系统，包括：采集被试用户的脑电信号，对所述脑电信号进行预处理，提取特征构建第一目标特征集；从多组第一源数据集中筛选疲劳特征集和情绪数据集，组合成第二源特征集；通过第一迁移学习算法进行实例迁移，得到第三源特征集；基于第三源数据集和第一目标数据集使用第二迁移学习算法进行特征迁移学习，得到第四源特征集、第二目标数据集；使用第四源数据集构建多分类判别模型，将第二目标特征集输入多分类判别模型，得到被试用户的驾驶状态结果。本发明专利技术在保证准确率的同时减少了样本标注的繁琐工作，大大提高分类识别的鲁棒性和准确性。鲁棒性和准确性。鲁棒性和准确性。

【技术实现步骤摘要】
一种基于脑电特征迁移学习的驾驶状态检测方法及系统


[0001]本专利技术涉及人工智能
，尤其涉及一种基于脑电特征迁移学习的驾驶状态检测方法及系统。

技术介绍

[0002]驾驶员疲劳是公认的导致严重受伤或死亡的车祸的主要原因，因疲劳驾车造成的交通事故占总数的20％左右，占特大交通事故的40％以上。据有关研究表明，若在交通事故发生前提前一秒钟向驾驶员发出警报，则可避免90％的类似交通事故。
[0003]目前驾驶员疲劳检测的方法，主要分为主观和客观两种检测方法。
[0004]主观检测方法主要是驾驶员根据自己对疲劳/情绪的感受状态记录到调查表上，但是这种方法受到驾驶员主观的影响，难以进行量化。因此主观检测方法尚不能应用在应用中，还需要进一步研究客观检测方法。
[0005]客观检测方法就是通过一些设备采集驾驶信息，并通过算法检测驾驶员疲劳情况和情绪状态，这种方法可以有效避免驾驶员主观性的问题，根据不同的检测对象，客观检测方法大致分为以下三种：基于驾驶行为的检测方法，如方向盘转角，方向盘握力，车辆速度等；这种方法由于不同驾驶员驾车操作的差异性，以及行驶环境差异等因素严重影响检测的准确率。基于生理反应的检测方法，如头部、面部特征等；这种方法由于受到光线、眼镜等因素的影响，导致识别算法建立难度较大，准确性较低。基于驾驶员生理信号的检测方法，如脑电、肌电等，这种方法由于采集设备必须与驾驶员接触，这样严重影响驾驶员对车辆的操作，同时基于生理信号进行特征提取的特征种类并未被明确规定，往往也不能达到良好的检测效果。

技术实现思路

[0006]本专利技术目的在于提供一种基于脑电特征迁移学习的驾驶状态检测方法及系统，以提高驾驶员疲劳检测的准确性和鲁棒性，并降低使用繁琐程度，使检测方法具有更强的实用性和准确性。
[0007]为实现上述目的，采用了以下技术方案：
[0008]一方面，本专利技术提供了一种基于脑电特征迁移学习的驾驶状态检测方法，该方法包括以下步骤：
[0009]步骤1，基于模拟模拟驾驶平台及虚拟场景模拟真实驾驶环境，采集被试用户的脑电信号，对所述脑电信号进行预处理，提取特征构建第一目标特征集；所述第一目标特征集包括疲劳特征集和情绪特征集；
[0010]步骤2，获取多组第一源数据集，分别计算每组所述第一源数据集与所述第一目标数据集中相应特征集之间的相似度；从所述多组第一源数据集中筛选与所述第一目标数据集中的疲劳特征集和情绪特征集相似度最高的疲劳特征集和情绪数据集，并组合成第二源特征集；
[0011]步骤3，通过第一迁移学习算法对所述第二源特征集和所述第一目标特征集进行实例迁移，进行数据筛选，剔除所述第二源特征集中的错误特征，得到第三源特征集；
[0012]步骤4，基于所述第三源数据集和第一目标数据集使用第二迁移学习算法进行特征迁移学习，得到第四源特征集、第二目标数据集；
[0013]步骤5，使用所述第四源数据集构建多分类判别模型，将所述第二目标特征集输入所述多分类判别模型，得到所述被试用户的驾驶状态结果。
[0014]进一步的，所述方法还包括：
[0015]步骤6，根据所述被试用户的驾驶状态结果以及模拟驾驶中虚拟场景的相关信息分析得到检测结果并给出指导建议，生成驾驶状态评估报表。
[0016]进一步的，所述脑电特征包括信号模糊熵、各通道各频段的微分熵和功率谱密度。
[0017]进一步的，采集驾驶过程中被试用户的脑电信号，包括：
[0018]使用Neuracle64通道脑电采集装置采集被试用户脑电信号，脑电电极采用国际10—20系统标准，以双耳电极作为参考电极。
[0019]进一步的，被试用户对脑电信号进行预处理，包括：
[0020]基于独立成分分析法对实时采集的脑电信号进行预处理，去除眼电、肌电等伪迹干扰；
[0021]对脑电信号通过0～2Hz高通滤波进行基线漂移校正、自适应陷波去除50Hz工频干扰；
[0022]提取预处理后的脑电信号的模糊熵，用于疲劳状态判别；
[0023]提取预处理后的脑电信号各个通道各个频段的微分熵和功率谱密度大小，用于情绪状态的判别。
[0024]进一步的，所述第一迁移学习算法为N-Tradaboost算法(改进的Tradaboost算法)，通过对所述第二源特征集构建三个弱分类器，对所述第一目标特征集进行处理得到三组目标特征集标签结果，通过对三组目标特征集标签结果做交集得到可信的目标域标签，然后将得到的有标签的目标特征集和所述第二源特征集通过Tradaboost算法处理，其中若第二源特征集特征被分类错误时，直接将其权重置为0。
[0025]进一步的，所述第二迁移学习算法为BDA算法。
[0026]进一步的，所述多分类判别模型为基于粒子群优化算法的多分类支持向量机模型。
[0027]又一方面，本专利技术提供了一种基于脑电特征迁移学习的驾驶状态检测系统，所述系统包括：
[0028]信号采集及预处理模块，用于基于模拟模拟驾驶平台及虚拟场景模拟真实驾驶环境，采集驾驶过程中被试用户的脑电信号，对脑电信号进行预处理，提取特征构建第一目标特征集；所述第一目标特征集包括疲劳特征集和情绪特征集；
[0029]特征提取及源域选择模块，用于获取多组第一源数据集，分别计算每组所述第一源数据集与所述第一目标数据集中相应特征集之间的相似度；从所述多组第一源数据集中筛选与所述第一目标数据集中的疲劳特征集和情绪特征集相似度最高的疲劳特征集和情绪数据集，并组合成第二源特征集；
[0030]特征筛选及迁移学习模块，用于通过第一迁移学习算法对所述第二源特征集和所
述第一目标特征集进行实例迁移，进行数据筛选，剔除所述第二源特征集中的错误特征，得到第三源特征集；基于所述第三源数据集和第一目标数据集使用第二迁移学习算法进行特征迁移学习，得到第四源特征集、第二目标数据集；
[0031]模型构建模块，用于使用所述第四源数据集构建多分类判别模型，将所述第二目标特征集输入所述多分类判别模型，得到所述被试用户的驾驶状态结果。
[0032]进一步的，所述系统还包括：
[0033]结果判别模块，用于根据所述被试用户的驾驶状态结果以及模拟驾驶中虚拟场景的相关信息分析得到评估结果并给出指导建议，生成驾驶状态评估报表。
[0034]与现有技术相比，本专利技术具有如下优点：
[0035]1、依据疲劳、情绪状态变化时，在脑部不同区域发生的变化程度不尽相同，本专利技术最大限度的减少了脑电采集时的通道数量、特征种类及数量，大大减少了系统的计算量，响应快精度高。
[0036]2、本专利技术通过A_distance衡量目标特征集和源特征集间的相似程度，与目标疲劳状况和情绪状况特征集进行迁移的源特征集可能是来自两组数据，大大提高了系统的准确性。
[0037]3、本专利技术改进了Tradaboost算法，目标特征集无需有标签即可和源特征集进行实例迁移，若源本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于脑电特征迁移学习的驾驶状态检测方法，其特征在于，所述方法包括以下步骤：步骤1，基于模拟模拟驾驶平台及虚拟场景模拟真实驾驶环境，采集被试用户的脑电信号，对所述脑电信号进行预处理，提取特征构建第一目标特征集；所述第一目标特征集包括疲劳特征集和情绪特征集；步骤2，获取多组第一源数据集，分别计算每组所述第一源数据集与所述第一目标数据集中相应特征集之间的相似度；从所述多组第一源数据集中筛选与所述第一目标数据集中的疲劳特征集和情绪特征集相似度最高的疲劳特征集和情绪数据集，并组合成第二源特征集；步骤3，通过第一迁移学习算法对所述第二源特征集和所述第一目标特征集进行实例迁移，进行数据筛选，剔除所述第二源特征集中的错误特征，得到第三源特征集；步骤4，基于所述第三源数据集和第一目标数据集使用第二迁移学习算法进行特征迁移学习，得到第四源特征集、第二目标数据集；步骤5，使用所述第四源数据集构建多分类判别模型，将所述第二目标特征集输入所述多分类判别模型，得到所述被试用户的驾驶状态结果。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：步骤6，根据所述被试用户的驾驶状态结果以及模拟驾驶中虚拟场景的相关信息分析得到评估结果并给出指导建议，生成驾驶状态评估报表。3.根据权利要求1所述的方法，其特征在于，所述脑电特征包括信号模糊熵、各通道各频段的微分熵和功率谱密度。4.根据权利要求1所述的方法，其特征在于，采集驾驶过程中被试用户的脑电信号，包括：使用Neuracle64通道脑电采集装置采集被试用户脑电信号，脑电电极采用国际10—20系统标准，以双耳电极作为参考电极。5.根据权利要求1所述的方法，其特征在于，被试用户对脑电信号进行预处理，包括：基于独立成分分析法对实时采集的脑电信号进行预处理，去除眼电、肌电等伪迹干扰；对脑电信号通过0～2Hz高通滤波进行基线漂移校正、自适应陷波去除50Hz工频干扰；提取预处理后的脑电信号的模糊熵，用于疲劳状态判别；提取预处理后的脑电信号各个通道各个频段的微分熵和功率谱密度大小，用于情绪状态...

【专利技术属性】
技术研发人员：谢平，付子豪，杜义浩，陈晓玲，冯录凤，何群，
申请(专利权)人：燕山大学，
类型：发明
国别省市：