一种基于自加权增量RVFL网络的脑电疲劳预测方法技术

本发明专利技术提供一种基于自加权增量RVFL网络的脑电疲劳预测方法。本发明专利技术步骤如下：1、多个被试者分别在模拟驾驶系统下进行脑电数据采集。2、对步骤1所得的所有脑电数据进行预处理和特征提取。3、建立自加权RVFL网络用于离线训练一个基础疲劳预测模型。4、求解输出权重和特征权重分布5、采集在线脑电数据并进行与步骤2相同的步骤。6、将离线训练完成的疲劳预测模型转为增量式的在线疲劳预测模型。7、求解输出权重和特征权重分布。8、对在线脑电数据进行预测与学习。本发明专利技术通过回归预测、增量学习和自加权变量的方式提高了模型的预测精度。权变量的方式提高了模型的预测精度。权变量的方式提高了模型的预测精度。

【技术实现步骤摘要】
一种基于自加权增量RVFL网络的脑电疲劳预测方法


[0001]本专利技术属于脑电信号处理
，具体涉及一种基于自加权增量RVFL网络的脑电疲劳预测方法。

技术介绍

[0002]随着我国交通事业的日益发展，研究更为实用客观的驾驶疲劳检测对于提高主动交通安全具有重要的意义。综合国内外的疲劳检测方法，主要分为主观评价和客观检测两种。主观评价方法主要是通过记录主观调查问卷如皮尔逊疲劳量表、斯坦福睡眠尺度表等，判断是否处于疲劳状态。客观检测领域主要分为：基于车辆行为特征的检测、基于驾驶员特征行为特征的检测、基于生理电特征的检测。其中，基于客观检测方法中的脑电信号作为中枢神经信号活动的表征，具有检测准确率高的特点，是疲劳判定的金标准。
[0003]目前的脑电疲劳模型大多是批处理模式，没有考虑到脑电数据的流式属性，往往在使用一段时间后由于被试疲劳状态的变化而产生性能下降的现象；并且传统的疲劳预测模型预测结果一般是离散型的，其对疲劳的预测只有简单的几个状态，无法精确地显示被试的疲劳程度。因此，本专利技术在随机向量函数链接网络(Random Vect本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自加权增量RVFL网络的脑电疲劳预测方法，其特征在于：步骤1、对处于逐渐疲劳的过程中的多个被试者进行脑电数据采集；步骤2、对步骤1所得的所有脑电数据进行预处理和特征提取；处理后的每一组数据均作为一个样本矩阵X；每个样本矩阵X均对应一个标签向量y；标签向量y对应被试者的疲劳程度；步骤3、建立用于离线训练的自加权RVFL网络；步骤3
‑
1、建立一个自加权RVFL网络目标函数如式(1)所示：式中，是经过RVFL网络隐层激活的数据表示，其中n表示样本个数，d表示特征维数；是RVFL网络的输出权重向量；表示训练数据的疲劳值向量；表示特征权重分布向量；Θ是一个对角矩阵且第i个对角线元素为θ
i
；λ是正则化系数；表示向量的2
‑
范数的平方，其计算方法为步骤4、对(1)式求解，得到Θ和β的更新公式；步骤5、采集在线脑电数据，并进行脑电数据的预处理和特征提取；步骤6、建立用于在线训练的自加权增量RVFL网络；步骤6
‑
1、建立用于在线训练的自加权增量RVFL网络目标函数如(2)所示；式中，D
n
和y
n
分别表示n个样本数据以及对应的标签；Θ
n+1
和β
n+1
分表表示训练n+1个样本所获得的特征权重分布和输出权重；步骤7、对(2)式求解，得到增量学习后的Θ
n+1
和β
n+1
的更新公式；步骤8、依据已学到的Θ、β参数对实时脑电数据进行疲劳值进行预测，预测后若能得到实时脑电数据的真实标签，则对该数据进行增量学习。2.根据权利要求1所述的一种基于自加权增量RVFL网络的脑电疲劳预测方法，其特征在于：步骤1中，通过让被试者用模拟驾驶平台在一条笔直且单调的道路上持续模拟驾驶的方式来使得被试者逐渐疲劳。3.根据权利要求1所述的一种基于自加权增量RVFL网络的脑电疲劳预测方法，其特征在于：步骤2中，所述的标签向量y通过被试者在脑电数据采集过程中单位时间内眼睑闭合一定程度的时长比例来确定；标签向量y中元素的范围为0～1。4.根据权利要求1所述的一种基于自加权增量RVFL网络的脑电疲劳预测方法，其特征在于：步骤2中的预处理过程如下；步骤2
‑
1、将脑电数据下采样至200Hz后并对其进行带通滤波至1
‑
50Hz范围；根据5频段法，将其划分为Delta，Theta，Alpha，Beta和Gamma...

【专利技术属性】
技术研发人员：陈柯锭，张怿恺，彭勇，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：