一种基于BDPCA聚类算法的驾驶员脑电疲劳等级划分方法技术

本发明专利技术公开了一种基于BDPCA聚类算法的驾驶员脑电疲劳等级划分方法，通过小波包分解提取脑电信号的节律能量特征和脑电信号的非线性特征作为特征向量。使用共同邻域参数(CNN)改进的DPCA聚类算法对提取到的特征向量进行分析训练。同时，使用贝叶斯准则(BIC)对类簇中心个数进行辅助判定。实验结果表明，改进后的BDPCA聚类算法可以自动对脑电信号中表征的不同疲劳状态等级进行自动划分，客观的定义了疲劳状态等级。BDPCA聚类算法对不同的疲劳状态等级进行了划分，而又无需主观判断提前对信号所属状态进行判定，是一种能够客观划分疲劳状态等级的可行的算法。态等级的可行的算法。态等级的可行的算法。

【技术实现步骤摘要】
一种基于BDPCA聚类算法的驾驶员脑电疲劳等级划分方法


[0001]本专利技术涉及疲劳研究
，更具体地说是一种基于BDPCA聚类算法的驾驶员脑电疲劳等级划分方法。

技术介绍

[0002]世卫组织的报告中说明了道路交通事故已经成为了全球一项重要的死亡原因。而在频发的交通事故中，由于驾驶员的疲劳驾驶导致的交通事故占据着相当大的比例。因此，如果能够对驾驶员的疲劳状态进行检测，并进行相应的等级划分，就能够充分地掌握驾驶员的精神状态。根据驾驶员的疲劳等级状态进行相应的工作划分，这样便能大大的减少疲劳驾驶所导致的交通事故的发生。近些年，对驾驶员疲劳状态的客观检测研究主要围绕肌电、眼电、心电以及脑电等生物电信号进行。除此之外，还有研究人员使用眨眼频率、方向盘轴承偏移量等行为信号进行驾驶员的疲劳状态分析。但是由于生物电信号具有良好的实时差异性和不可伪装性等优点，其对疲劳状态检测的精确度要高于行为信号，而脑电信号相比于其它生物电信号地采集更加简单方便，对机体状态的表征更为全面。因此使用脑电信号对驾驶员的疲劳状态进行检测被认为是最合适的方法之一。随着人工智能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BDPCA聚类算法的驾驶员脑电疲劳等级划分方法，其特征在于，包括以下步骤：S1、脑电信号的采集S2、对脑电信号进行预处理消除噪声首先对原始脑电信号进行128HZ重采样，128HZ重采样不仅降低了信号所占内存的大小并且有利于我们后续使用小波包分解进行能量特征的提取；使用陷波滤波器去除50HZ的工频陷波；使用0.45
‑
35HZ的带通滤波器去除低频噪声和高频干扰；使用MATLAB自带的EEGLAB工具箱进行ICA成分分析，去除较为明显的眼电噪声成分；经过上述预处理步骤后的脑电信号用于后续的特征提取；S3、脑电信号的特征提取根据脑电信号随疲劳状态程度的变化特性，采用小波包变换对脑电信号进行分解，提取不同频带范围的节律被能量值和信号作为疲劳状态划分的特征值；将预处理后的脑电信号进行4层的小波包分解，共得到16个节点，其中，与各节律波有关的节点编号及所属的频带范围下表1所示：表1小波包节点对应脑电频段根据不同节律波所处的分解子频带的系数通过公式3
‑
1计算求取该节点的能量；其中表示小波包分解中第j层第i个节点的分解系数；通过上述公式可以计算出δ波、α波、θ波、β波的能量值；根据研究，与疲劳状态的相关性最大；因此，最终确定了指标作为划分疲劳状态的特征向量之一；除此之外选择能反映系统复杂度的非线性特征来表征大脑系统的变化；最终，本次选择使用样本熵(F2)与节律波能量特征(F1)一同作为提取的特征向量进行后续疲劳状态等级的分析；S4、采用BDPCA聚类算法对脑电信号的疲劳状态等级进行相应的划分
计算输入数据点的局部密度和聚类中心距离；根据局部密度和聚类中心距离做出簇类中心图；根据簇类中心图确定K取值范围及对应的中心点；计算各K值对应的BIC参数值；BIC参数最小值对应的聚类结果为最终结果。2.根据权利要求1所述的一种基于BDPCA聚类算法的驾驶员脑电疲劳等级划分方法，其特征在于：所述步骤S4的具体步骤如下所示：(1)选取截断距离d
c
；(2)按照4
‑
1和4
‑
2求取局部密度ρ
i
；；(3)按式4
‑
3求取聚类中心距离δ
i
(4)使用求取到的局部密度与聚类中心距离画图；根据所做图进行数据点类型的判定；普通点靠近横轴，异常点靠近纵轴；而聚类中心点同时远离横轴和纵轴；(5)聚类划分：将非中心点数据点划分至局部密度大于该点中距...

【专利技术属性】
技术研发人员：吕超，刘云清，颜飞，张琼，孔祥尉，闫超，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：