模拟环境下基于脑电信号的驾驶员道路事故情感识别方法技术

本发明专利技术公开了一种模拟环境下基于脑电信号的驾驶员道路事故情感识别方法，包括如下步骤：步骤1、建立驾驶场景，模拟不同危险程度的障碍躲避，采集驾驶员的脑电信号；步骤2、对脑电信号进行数据预处理；步骤3、使用带有功能连接和注意力机制的图神经网络处理脑电信号数据，完成情感识别分类。本发明专利技术能够采集景不同驾驶危险程度的障碍躲避下受试者的脑电信号，进而对其进行准确的分类。本发明专利技术对于脑电信号的分类可以便于辅助驾驶系统更好地判断驾驶员的情感状态和反应能力，并根据这些信息来调整介入时机和策略，提高安全性。提高安全性。提高安全性。

【技术实现步骤摘要】
模拟环境下基于脑电信号的驾驶员道路事故情感识别方法


[0001]本专利技术涉及智能驾驶
，具体地说，涉及一种模拟环境下基于脑电信号的驾驶员道路事故情感识别方法。

技术介绍

[0002]随着市场对汽车主动安全和智能化需求的不断提高，智能驾驶巨大的社会和经济价值越发凸显。统计表明大多数交通事故的造成原因是人为失误，研究更具自动化的辅助驾驶系统有助于减少人为失误。1950年代ADAS(Advanced Driver Assistance Systems)的概念随着防抱死制动系统的应用被首次提出，随着后续的发展，ADAS提供了诸如自动照明控制，自动变道和自适应巡航控制等多项功能。另一方面，部分实验车型可以通过环境感知可实现高度自主的驾驶行为，如起步、加速、制动、车道线跟踪、换道、避障和停车等。自动化驾驶一般分为5个等级，从低到高车辆自主驾驶的能力逐渐提升，但是目前大部分在售车型还停留在组合功能辅助阶段(Level2)，可以完成车辆的基本操作，而驾驶员负责周边监控和随时接管车辆。当前驾驶员仍然是控制车辆必不可少的部分，因此收集驾驶员行驶过程中各项信息，对于辅助驾驶有重要的参考意义。
[0003]在实际的驾驶过程中，驾驶员的情感状态往往影响其面对突发事件时候的判断能力和操作精准度。愤怒、惊恐等消极情感是人们在日常生活中十分常见的情感。当消极情感发生时，人的行为很难受到意识控制，极易做出各种反常的行为。此类情感在驾驶过程中则是各种危险行为和失去正常判断能力的诱因。例如，当驾驶员处于轻微的惊恐状态时，适当减小辅助强度，避免干扰驾驶员对车辆的控制，从而改善驾驶舒适度。而当驾驶员处于较为严重的惊恐状态时，辅助驾驶系统及时干预，避免出现意外情况。可见，遭遇不同危险程度的突发事件会造成驾驶员不同程度的情感变化，辨别驾驶员的精神状态能够协助判断其是否具备控制车辆的能力。因此收集驾驶员情感信号可以帮助辅助驾驶系统更好地判断驾驶员的情感状态和反应能力，并根据这些信息来调整介入时机和策略。
[0004]脑电信号作为生理信号的一种，具有毫秒级的时间分辨率，使其能够捕捉到大脑在短时间内发生的快速变化。此外，非侵入性的采集方式不会对驾驶员造成伤害，较低的采集成本也便于设备的广泛使用。目前公开的脑电情感数据多为图片，音乐或视频片段等方式诱导，不利于反映驾驶员遭遇道路突发事件时情感变化。

技术实现思路

[0005]本专利技术的目的在于提供一种模拟环境下基于脑电信号的驾驶员道路事故情感识别方法。本专利技术能够采集不同驾驶危险程度的障碍躲避下受试者的脑电信号，进而对其进行准确的分类。本专利技术对于脑电信号的分类便于辅助驾驶系统更好地判断驾驶员的情感状态和反应能力，并根据这些信息来调整介入时机和策略，提高安全性。
[0006]本专利技术的技术方案如下：模拟环境下基于脑电信号的驾驶员道路事故情感识别方法，包括如下步骤：
[0007]步骤1、建立驾驶场景，模拟不同危险程度的障碍躲避，采集驾驶员的脑电信号；
[0008]步骤2、对脑电信号进行数据预处理；
[0009]步骤3、使用带有功能连接和注意力机制的图神经网络处理脑电信号数据，完成情感识别分类。
[0010]上述的模拟环境下基于脑电信号的驾驶员道路事故情感识别方法，步骤2中，所述数据预处理的方法是首先通过目视检查脑电信号，去除受严重污染的脑电记录，然后根据M1和M2双侧乳突信号对全脑信号做重参考，使用主成分分析去除脑电信号中的眼电伪迹，最后对脑电信号号进行0.5
‑
45Hz的带通滤波。
[0011]前述的模拟环境下基于脑电信号的驾驶员道路事故情感识别方法，步骤2中，经过数据预处理后，每个驾驶员受试者都记录了30段时长为18秒的脑电信号，其中前3秒为平静状态下的参考脑电信号，后15秒的部分被划分成3秒的无交叠信号用于信号特征提取。
[0012]前述的模拟环境下基于脑电信号的驾驶员道路事故情感识别方法，步骤3中，所述信号特征包括微分熵，微分熵E
X
(x)定义为：
[0013]E
X
(x)＝
‑
∫
S
p
X
(x)log(p
X
(x))dx；
[0014]S＝{x∈X∣p
X
(x)>0}；
[0015]式中：X为连续随机变量，其概率密度函数为p
X
(x)，x为函数的自变量；
[0016]则当X服从正态分布时：
[0017][0018]式中：σ为正态分布的标准差，是分布的离散程度参数；μ为正态分布的均值，是分布的中心位置参数；
[0019]微分熵被表示为：
[0020][0021]式中：e为自然常数。
[0022]前述的模拟环境下基于脑电信号的驾驶员道路事故情感识别方法，所述信号特征包括功率谱密度；所述功率谱密度用于描述信号或时间序列的功率随频率的分布，表示为：
[0023][0024]式中：PSD表示功率谱密度；t为信号持续的时间跨度；ESD为能量谱密度；
[0025][0026]其中，sig
(t)
表示信号，f表示信号的频率；e为自然常数；j为
[0027]前述的模拟环境下基于脑电信号的驾驶员道路事故情感识别方法，所述信号特征包括相位迟滞指数，所述相位迟滞指数用于测定脑电信号或脑磁信号不同通道间的相位同步程度，表示为：
[0028][0029]式中：PLI表示相位迟滞指数；sign函数在输入正值、负值和0时，分别输出1、
‑
1和0；Δφ
rel
(t)表示两个信号在t时间点的相位差；N为表示信号的采样点总数；t
n
表示信号的第n个时间点，n表示信号从1至的N每个具体值。
[0030]前述的模拟环境下基于脑电信号的驾驶员道路事故情感识别方法，所述图神经网络处理脑电信号数据是将每个脑电通道的脑电信号数据分开输入一维卷积层提取特征信号，然后按照脑电帽上的每个电极的空间排列构建图，并使用相位迟滞指数作为图的边权，每条脑电信号都对应着一张图；再将图将作为图神经网络的输入，图神经网络包含两层图卷积层，每一层图卷积层分别进行图计算得到不同深度的图表征，最后将每一层的图表征连接作为分类依据。
[0031]前述的模拟环境下基于脑电信号的驾驶员道路事故情感识别方法，所述图神经网络的图计算过程表示为：
[0032]f
′
ij
＝LeakyReLU(W[h
i
||f
ij
||h
j
])；
[0033][0034]α
ij
＝softmax
i
(e
ij
)；
[0035][0036]其中，f'
ij
和f
ij
分别代表计算前后的边特征，W和分别代表权重矩阵和权重向量，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.模拟环境下基于脑电信号的驾驶员道路事故情感识别方法，其特征在于：包括如下步骤：步骤1、建立驾驶场景，模拟不同危险程度的障碍躲避，采集驾驶员的脑电信号；步骤2、对脑电信号进行数据预处理；步骤3、使用带有功能连接和注意力机制的图神经网络处理脑电信号数据，完成情感识别分类。2.根据权利要求1所述的模拟环境下基于脑电信号的驾驶员道路事故情感识别方法，其特征在于：步骤2中，所述数据预处理的方法是首先通过目视检查脑电信号，去除受严重污染的脑电记录，然后根据M1和M2双侧乳突信号对全脑信号做重参考，使用主成分分析去除脑电信号中的眼电伪迹，最后对脑电信号号进行0.5
‑
45Hz的带通滤波。3.根据权利要求1所述的模拟环境下基于脑电信号的驾驶员道路事故情感识别方法，其特征在于：步骤2中，经过数据预处理后，每个驾驶员受试者都记录了30段时长为18秒的脑电信号，其中前3秒为平静状态下的参考脑电信号，后15秒的部分被划分成3秒的无交叠信号用于信号特征提取。4.根据权利要求3所述的模拟环境下基于脑电信号的驾驶员道路事故情感识别方法，其特征在于：步骤3中，所述信号特征包括微分熵，微分熵E
X
(x)定义为：E
X
(x)＝
‑
∫
S
p
X
(x)log(p
X
(x))dx；S＝{x∈X∣p
X
(x)>0}；式中：X为连续随机变量，其概率密度函数为p
X
(x)，x为函数的自变量；则当X服从正态分布时：式中：σ为正态分布的标准差，是分布的离散程度参数；μ为正态分布的均值，是分布的中心位置参数；微分熵被表示为：式中：e为自然常数。5.根据权利要求3所述的模拟环境下基于脑电信号的驾驶员道路事故情感识别方法，其特征在于：所述信号特征包括功率谱密度；所述功率谱密度用于描述信号或时间序列的功率随频率的分布，表示为：式中：PSD表示功率谱密度；t为信号持续的时间跨度；ESD为能量谱密度；其中，sig
...

【专利技术属性】
技术研发人员：林雪芬，范林辉，陈杰麟，唐伟，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：