【技术实现步骤摘要】
一种基于核心脑网络和张量分解的驾驶疲劳状态检测方法
[0001]本专利技术属于脑电信号处理
，具体为一种基于核心脑网络和张量分解的驾驶疲劳状态检测方法。
技术介绍
[0002]驾驶员在驾驶过程中需要保持高度的警觉性，而大脑长期处于高度警觉状态会导致精神疲劳。精神疲劳会使驾驶员反应时间变长，很可能会导致交通事故，造成人员伤亡。因此疲劳驾驶监测是一个非常重要的研究课题，具有很高的应用价值。脑电图(EEG)是大脑活动的直接表现，具有良好的时间分辨率和非侵入性信号采集的优势，因此EEG被认为是疲劳评估的重要依据。
[0003]传统基于脑电图的疲劳评估是直接提取脑电信号中的时频特征，例如功率谱，交叉熵，混沌熵和样本熵等。但上述方法只能分析大脑局部脑区采集到的信号，不能反映不同脑区之间的功能联系，也不能描述大脑的整体功能状态。大脑完成任务往往需要多个区域协同完成，不同区域之间存在着动态的相互作用。研究者将EEG的电极设置为节点，电极对之间的功能连接设置为网络的边，这些功能连接可以通过不同的估计技术来表征，例如相关系数，相位...
【技术保护点】
【技术特征摘要】
1.一种基于核心脑网络和张量分解的驾驶疲劳状态检测方法，其特征在于该方法包括以下步骤：步骤(1)、脑电信号数据集获取及预处理：步骤1
‑
1、获取标签为疲劳状态和非疲劳状态的脑电信号；步骤1
‑
2、对不同标签的脑电信号进行预处理；步骤1
‑
3、将预处理后脑电信号分解为δ，θ，α和β四个频带；步骤1
‑
4、对所有分解后的脑电信号数据整合为大小为通道数量
×
样本点数量
×
频带数量的脑电信号三维矩阵，并打上任务类别标签；然后将一部分数据作为训练集，另一部分作为测试集；步骤(2)、脑网络数据集构建：不同电极之间存在着功能连接，使用斯皮尔曼相关系数计算不同电极信号之间的相关系数，该系数对应不同电极之间的功能连接强度；同时将步骤1
‑
4处理后的脑电信号三维矩阵转化为通道数量
×
通道数量
×
频带数量
×
样本总量的脑电信号四维脑网络矩阵；步骤(3)、构建核心脑网络步骤3
‑
1、搭建主干脑网络所述主干脑网络包括Nn个单层脑网络，Nn＝样本总量
×
频带数量；每个单层脑网络包括Mn个节点Node和连接相邻节点的边Edge，Mn＝通道数量，节点表示电极，边表示相邻节点间的功能连接，边的大小为功能连接强度；步骤3
‑
2、在训练集主干脑网络中挑选关键节点，最终在全部数据集主干脑网络中保留关键节点和相应边组成核心网络；步骤3
‑2‑
1、根据度中心性与疲劳程度的相关性，得到节点的第一关键程度Nv1；具体是：1)计算训练集主干脑网络每个频带下每个样本的节点度中心性，节点i的度中心性DC(i)：DC(i)＝∑
j∈G
aij
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中aij代表节点i和相邻节点j之间边的强度，G代表节点i所在的单层脑网络；将所有样本同一频带下节点Ni的度中心性DC(i)展开成一个长度为样本总量的向量Vn1，将所有样本对应的疲劳程度展开为一个样本总量的向量Vn2，计算这两个向量Vn1、Vn2的斯皮尔曼相关系数，该相关系数的绝对值表示在当前频带下节点Ni的重要程度；将四个频带的节点Ni重要程度相加作为该节点Ni的第一关键程度Nv1，计算完所有节点的第一关键程度Nv1后，将每个节点的Nv1更新为节点的第一关键程度占所有节点第一关键程度总和的占比；步骤3
‑2‑
2、根据功能连接与疲劳程度的相关性，得到节点的第二关键程度Nv2；具体是：1)在训练集同一频带、位于同一单层脑网络下，所有样本的节点Ni和相邻节点Nj之间功能连接Eij的强度展开成一个样本总量的向量Ve1，将所有样本对应的疲劳程度展开为一个样本总量的向量Ve2，计算这两个向量Ve1、Ve2的斯皮尔曼相关系数，该相关系数绝对值表示在当前频带下功能连接Eij的重要程度；重复上述操作，获得所有功能连接强度与疲劳程度的相关系数；
2)同一频带、位于同一单层脑网络下，将电极作为节点，将功能连接强度与疲劳程度的相关系数的绝对值作为边，构成功能连接强度与疲劳程度对应关联程度图Gc；3)根据公式(2)计算关联程度图的度中心性DCC(i)：DCC(i)＝∑
j∈Gc
bij
ꢀ...
【专利技术属性】
技术研发人员：杨昆，杨锡亮，张建海，朱莉，程世超，姚振宁，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
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。