一种基于功能连接与图神经网络的驾驶意图识别方法技术

本发明专利技术提供了一种基于功能连接与图神经网络的驾驶意图识别方法，包括：

【技术实现步骤摘要】
一种基于功能连接与图神经网络的驾驶意图识别方法


[0001]本专利技术涉及自动驾驶及脑电信号处理
，具体涉及一种基于功能连接与图神经网络的驾驶意图识别方法
。

技术介绍

[0002]人工智能技术的出现使得自动驾驶技术迅速发展，然而，由于道路环境的复杂性，在缺少人工干预的情况下，完全自动驾驶的实现仍面临着许多困难，就现阶段而言，人机同时控制车辆的情况将长期存在
。
人机共融技术因此成为这一过度阶段的重要支撑，即自动驾驶系统通过传感器等设备进行车辆与环境
、
车辆与车辆交互的同时，系统获取驾驶员对环境的感知
、
决策信息，进一步进行人与系统之间的交互，完成驾驶员与自动驾驶系统的协同作业
。
驾驶意图作为一种重要的决策信息，可以为自动驾驶系统提供重要的决策支持，驾驶意图准识别的准确性也成为是决定人机共融和自动驾驶的关键问题之一
。
[0003]脑电
(Electroencephalogram
，
EEG)
信号含有高频神经活动信息，可以充分反应驾驶员的生理和心理状态，从脑电中提取关键信息，不仅可以实现对驾驶员的状态感知，还可以通过搭建神经网络分类器，实现对驾驶意图的分类识别任务，为自动驾驶系统进行决策和感知提供新途径
。
[0004]脑电信号电极之间自然存在着空间拓扑结构以及功能连接关系
。
驾驶行为同样涉及到大脑的多个区域，在驾驶过程中脑电信号之间的相互作用和功能联系在基于脑电信号的驾驶行为分析中十分重要
。
现有技术中对驾驶意图进行识别的方法，常通过频域分析
、
时域分析
、
时频分析及非线性分析等角度进行分类检测，而脑电信号中的上述空间特征以及各电极之间的功能连接关系往往被忽略，导致部分信息丢失，影响最终检测的准确率
。
[0005]因此，亟需能够综合提取频域
、
空域及功能连接性多种特征的识别方法，以获得驾驶意图分类检测的最大效益
。

技术实现思路

[0006]本专利技术旨在提供一种基于功能连接与图神经网络的驾驶意图识别方法，用于解决以上问题
。
[0007]本专利技术的技术方案是：一种基于功能连接与图神经网络的驾驶意图识别方法，包括：
[0008]步骤
S1
，采集驾驶员驾驶时的脑电信号，并对原始脑电数据进行预处理；
[0009]步骤
S2
，针对预处理后的脑电信号，计算其各频率波段功率谱密度，作为脑电信号频域特征；
[0010]步骤
S3
，基于电极空间临近性和功能连接关系构建邻接矩阵作为初始图结构；
[0011]步骤
S4
，将步骤
S2
中频域特征及
S3
中所得邻接矩阵输入图注意力网络进行特征聚合，提取出的特征表达输入分类器对驾驶意图进行分类并输出结果
。
[0012]优选地，步骤
S1
具体包括：
[0013]步骤
S11
，采集驾驶员匀速行驶和制动两类驾驶行为下的脑电数据，采集到的数据经过
0.5HZ
至
70HZ
的带通滤波处理；
[0014]步骤
S12
，利用独立分量分析法去除眼电伪迹成分；
[0015]步骤
S13
，剔除损坏电极并通过相邻电极内插值进行补充；
[0016]步骤
S14
，原始脑电数据依据匀速行驶和制动两类驾驶意图标签，划分为长为1秒的不重叠的时间窗，并划分训练集和测试集
。
[0017]优选地，步骤
S2
具体包括：
[0018]步骤
S21
，通过快速傅里叶变换将脑电信号分解为五个波段，即
delta
波段
(0.5
‑
3Hz)
，
theta
波段
(4
‑
7Hz)
，
alpha
波段
(8
‑
13Hz)
，
beta
波段
(14
‑
30Hz)
以及
gamma
波段
(31
‑
70Hz)
；
[0019]步骤
S22
，分别计算
S21
中五个波段上的功率谱密度作为脑电信号的频域特征，功率谱密度计算公式为：
[0020][0021]式中，
S(w)
代表对应频段上的功率谱密度；
N
代表采样次数；
Δ
t
代表采样周期；
f
s
代表采样频率；
X(w)
代表
S21
中各波段脑电信号
。
[0022]优选地，步骤
S3
具体包括：
[0023]步骤
S31
，将电极通道视为空间结构图中的节点，将每对节点进行连接作为网络的边，将欧式距离作为各边上的权重值，通过设定阈值构建空间连接矩阵
A0(i
，
j)
：
[0024][0025]式中，
A0(i
，
h)
表示空间连接矩阵，
D
ij
表示任意两点之间的欧氏距离，
Threshold
表示设定的距离阈值，这里取所有电极间距离的均值；
[0026]步骤
S32
，采用相位滞后指数计算各节点之间的关联关系作为各边权重，构建
PLI
矩阵；其中，
PLI
矩阵为相位滞后指数矩阵，通过计算各电极脑电信号之间的相位差异，表示电极间功能连接关系；
[0027][0028]式中，
Δφ
rel
(t
n
)
表示
t
n
时间点处电极信号的相位差，
N
表示时间点数量，
sign(number)
为符号函数，如果
number
大于0，则
sign
返回1；如果
number
等于0，则
sign
返回0；如果
number
小于0，则
sign
返回
‑1；
[0029]步骤
S33
，通过设定阈值对
S32
中所得
PLI
矩阵进行二值化处理得到功能连接矩阵
A1(i
，
j)
；二值化处理具体为：在
PLI
矩阵中，大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于功能连接与图神经网络的驾驶意图识别方法，其特征在于，包括：步骤
S1
，采集驾驶员驾驶时的脑电信号，并对原始脑电数据进行预处理；步骤
S2
，针对预处理后的脑电信号，计算其各频率波段功率谱密度，作为脑电信号频域特征；步骤
S3
，基于电极空间临近性和功能连接关系构建邻接矩阵作为初始图结构；步骤
S4
，将步骤
S2
中频域特征及
S3
中所得邻接矩阵输入图注意力网络进行特征聚合，提取出的特征表达输入分类器对驾驶意图进行分类并输出结果
。2.
根据权利要求1所述的一种基于功能连接与图神经网络的驾驶意图识别方法，其特征在于，步骤
S1
具体包括：步骤
S11
，采集驾驶员匀速行驶和制动两类驾驶行为下的脑电数据，采集到的数据经过
0.5HZ
至
70HZ
的带通滤波处理；步骤
S12
，利用独立分量分析法去除眼电伪迹成分；步骤
S13
，剔除损坏电极并通过相邻电极内插值进行补充；步骤
S14
，原始脑电数据依据匀速行驶和制动两类驾驶意图标签，划分为长为1秒的不重叠的时间窗，并划分训练集和测试集
。3.
根据权利要求1所述的一种基于功能连接与图神经网络的驾驶意图识别方法的使用方法，其特征在于，步骤
S2
具体包括：步骤
S21
，通过快速傅里叶变换将脑电信号分解为五个波段，即
delta
波段
(0.5
‑
3Hz)
，
theta
波段
(4
‑
7Hz)
，
alpha
波段
(8
‑
13Hz)
，
beta
波段
(14
‑
30Hz)
以及
gamma
波段
(31
‑
70Hz)
；步骤
S22
，分别计算
S21
中五个波段上的功率谱密度作为脑电信号的频域特征，功率谱密度计算公式为：式中，
S(w)
代表对应频段上的功率谱密度；
N
代表采样次数；
Δ
t
代表采样周期；
f
s
代表采样频率；
X(w)
代表
S21
中各波段脑电信号
。4.
根据权利要求1所述的一种基于功能连接与图神经网络的驾驶意图识别方法的使用方法，其特征在于，步骤
S3
具体包括：步骤
S31
，将电极通道视为空间结构图中的节点，将每对节点进行连接作为网络的边，将欧式距离作为各边上的权重值，通过设定阈值构建空间连接矩阵
A0(i
，
j)
：式中，
A0(i
，
j)
表示空间连接矩阵，
D
ij
表示任意两点之间的欧氏距离，
Threshold
表示设定的距离阈值，这里取所有电极间距离的均值；步骤
S32
，采用相位滞后指数计算各节点之间的关联关系作为各边权重，构建
PLI
矩阵；其中，
PLI
矩阵为相位滞后指数矩阵，通过计算各电极脑电信号之间的相位差异，表示电极间功能连接关系；
式中，
Δφ
rel
(t
n
)
表示
t
n
时间点处电极信号的相位差，
N
表示时间点数量，
sign(number)
为符号函数，如果
number
大于0，则
sign
返回1；如果
number
等于0，则
sign
返回0；如果
number
小于0，则
sign
返回
‑1；步骤
S33
，通过设定阈值对
S32
中所得
PLI
矩阵进行二值化处理得到功能连接矩阵
A1(i
，
j)
；二值化处理具体为：在
PLI
矩阵中，大于阈值的元素设定为1，表示两个电极脑电信号间存在功能连接关系；小于阈值的元素设定为0，表示两个电极脑电信号间不存在功能连接关系；步骤
S34
，融合大脑各区域的功能连...

【专利技术属性】
技术研发人员：奇格奇，安亚宁，李培豪，关伟，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：